技术领域
[0001] 本
发明属于深度学习技术领域,尤其涉及一种基于深度学习的纵膈淋巴结超声弹性图像分割分类方法。
背景技术
[0002]
肺癌具有发病率高,死亡率高,5年生存率低等特点,淋巴结转移作为肺癌转移最常见的转移路径,对于肺癌的分期具有重要的意义。对于高度怀疑肺癌,并伴有肺
门或纵膈淋巴结肿大的病人,应及早进行穿刺活检以明确淋巴结的性质。2002年,日本Olympus公司将
支气管镜搭载上微型超声
探头,实现了实时超声引导下的肺门及纵膈淋巴结经支气管
细针穿刺活检,超声弹性成像(UE,ultrasound elastography)技术作为一种可直接或间接反映组织的软硬程度的超声新技术,已逐步联合经支气管针吸活检术技术用于肺癌纵隔淋巴结。
[0003] 随着计算机
图像处理和
模式识别等技术的快速发展,随着
大数据与
人工智能等前沿技术在医疗领域的应用,深度学习技术也逐渐应用于计算机辅助医疗领域。传统的使用超声弹性图像判断纵膈淋巴结性质时,需从弹性图像中手动分割纵膈淋巴结,然后通过计算淋巴结弹性图像中蓝色部分面积来判断淋巴结性质。此过程费时费
力,且准确率很大程度上依赖于医生的经验。
发明内容
[0004] 为解决上述技术问题,本发明提供一种基于深度学习的纵膈淋巴结超声弹性图像分割分类方法。
[0005] 为了对披露的
实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
[0006] 本发明采用如下技术方案:
[0007] 在一些可选的实施例中,提供一种基于深度学习的纵膈淋巴结超声弹性图像分割分类方法,包括:
[0008] S1:收集纵膈淋巴结超声弹性图像,并对图像进行分割;
[0009] S2:将分割后的图像进行预处理,并分为训练集与测试集两部分;
[0010] S3:搭建
卷积神经网络U-net网络用于图像分割,利用训练集对U-net网络进行训练,利用验证集对U-net网络进行验证;
[0011] S4:利用训练好的U-net网络对纵膈淋巴结超声弹性图像进行自动分割;
[0012] S5:搭建卷积神经网络VGG16网络用于图像分类,利用训练集对VGG16网络进行训练,利用验证集对VGG16网络进行验证;
[0013] S6:利用训练好的VGG16网络对纵膈淋巴结超声弹性图象进行良恶性自动分类。
[0014] 在一些可选的实施例中,所述纵膈淋巴结超声弹性图象是指完成带弹性超声的支气管镜针吸活检,有确定的病理结果,或经长时间随访后最终确定良恶性的纵膈淋巴结超声弹性图像。
[0015] 在一些可选的实施例中,步骤S2包括:将分割完成的纵膈淋巴结超声弹性图象进行滤波及归一化操作,统一标号后分为训练集与测试集两部分。
[0016] 本发明所带来的有益效果:训练好的U-net卷积神经网络可实现纵膈淋巴结超声弹性成像的快速、自动分割,且训练好的VGG16卷积神经网络可实现对纵膈淋巴结超声弹性图象的良恶性自动分类,分类准确率比传统的计算蓝色面积法实现纵膈淋巴结超声弹性图象的良恶性分类提高了5%左右。
附图说明
[0017] 图1是本发明的一种基于深度学习的纵膈淋巴结超声弹性图像分割分类方法的流程示意图。
具体实施方式
[0018] 以下描述和附图充分地展示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。
[0019] 在一些说明性的实施例中,如图1所示,提供一种基于深度学习的纵膈淋巴结超声弹性图像分割分类方法,主要包括两部分:基于深度学习的纵膈淋巴结超声弹性图像的自动分割和基于深度学习的纵膈淋巴结良恶性智能判定。
[0020] 具体包括:
[0021] S1:收集纵膈淋巴结超声弹性图像,并对图像进行分割。
[0022] 纵膈淋巴结超声弹性图象是指完成带弹性超声的支气管镜针吸活检,有确定的病理结果,或经长时间随访后最终确定良恶性的纵膈淋巴结超声弹性图像。获取到纵膈淋巴结超声弹性图像后的图像分割步骤可选择通过临床有经验的医生进行手动分割。
[0023] S2:将分割后的图像进行预处理,并分为训练集与测试集两部分。
[0024] 预处理是指将分割完成的纵膈淋巴结超声弹性图象进行滤波及归一化操作,统一标号后分为训练集与测试集两部分。
[0025] S3:搭建卷积神经网络U-net网络用于图像分割,利用训练集对U-net网络进行训练,利用验证集对U-net网络进行验证。
[0026] 深度卷积网络U-net网络架构由contracting path和expansive path组成。contracting path是典型的卷积网络架构,它的架构是一种重复结构,每次重复中都有2个卷积层和一个
池化层,卷积层中卷积核大小均为33,激活函数使用ReLU函数,两个卷积层之后是一个22的步长为2的最大层。每一次下
采样后把特征通道的数量加倍。contracting path中的每一步都首先使用反卷积,每次使用反卷积都将特征通道数量减半,特征图大小加倍。反卷积过后,将反卷积的结果与contracting path中对应步骤的特征图拼接起来。
contracting path中的特征图尺寸稍大,将其
修剪过后进行拼接。对拼接后的map进行2次
33的卷积。最后一层的卷积核大小为11,将64通道的特征图转化为特定深度,即分类数量,二分类为2的结果。网络总共23层。
[0027] 利用搭建完成的U-net网络对预处理后的训练集样本进行模型训练,不断调整网络参数,
迭代次数达到时,网络终止训练,得到纵膈淋巴结分割模型,利用验证集样本对U-net网络进行验证。
[0028] S4:利用训练好的U-net网络对纵膈淋巴结超声弹性图像进行自动分割。
[0029] S5:搭建卷积神经网络VGG16网络用于图像分类,利用训练集对VGG16网络进行训练,利用验证集对VGG16网络进行验证。
[0030] 卷积神经网络VGG16网络共包含13个卷积层,3个全连接层和5个池化层,分别用maxpool,卷积层和全连接层具有权重系数,因此也被称为权重层。卷积层均采用相同的卷积核参数,池化层均采用相同的池化核参数,模型是由若干卷积层和池化层堆叠的方式构成,比较容易形成较深的网络结构。
[0031] 利用搭建完成的VGG16网络对预处理后的训练集样本进行模型训练,不断调整网络参数,迭代次数达到时,网络终止训练,得到纵膈淋巴结良恶性分类模型,利用验证集样本对U-net网络进行验证。
[0032] S6:利用训练好的VGG16网络对纵膈淋巴结超声弹性图象进行良恶性自动分类。
[0033] 纵膈淋巴结良性图像包括病理诊断为肺炎、肺结节病、肺结核、肺部感染、肺部炎性增生、肺曲霉菌病、干燥综合症等病症的图像;纵膈淋巴结恶性图像包括病理诊断为肺鳞癌、肺腺癌、小细胞癌、淋巴瘤、差分化癌等病症的图像。
[0034] 本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模
块、
电路和
算法步骤均可以实现成
电子硬件、计算机
软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。