发明内容
本发明的目的在于提供一种基于VCG16的***癌图像诊断方法及***,能够提高影响识别的效率。
为实现上述目的,本发明提供一种基于VCG16的***癌图像诊断方法,所述方法包括:获取***MRI图像数据并对其进行预处理;基于VGG16的卷积层中公开的预训练权重提取预处理后的***MRI图像的图像特征;将提取的所述图像特征作为训练数据,利用RMSprop优化器训练全连接模型bottleneck;在VGG16预训练权重与bottleneck权重的基础上,对VGG16的Conv block4和Conv block5以及全连接层使用SGD优化器进行全局优化训练;利用优化训练得到的VGG16模型,确定新输入的***MRI图像表征***癌的概率。
进一步地,对***MRI图像数据进行预处理包括:利用开源工具3DSlicer将所述***MRI图像数据处理为2D图像,并对所得的图片数据通过翻转、平移操作进行数据增强。
进一步地,基于VGG16的卷积层中公开的预训练权重提取预处理后的***MRI图像的图像特征包括:搭建VGG16卷积层框架,并利用公开的预训练权重初始化所述卷积层框架;将预处理后的***MRI图像数据输入初始化后的卷积层框架中,所述初始化后的卷积层框架输出的结果即为提取的图像特征。
进一步地,将提取的所述图像特征作为训练数据,利用RMSprop优化器训练全连接模型bottleneck包括:搭建两个全连接网络框架,并设置优化器RMSprop,使用提取的图像特征训练模型bottleneck,以得到bottleneck权重。
进一步地,对VGG16的Conv block4和Conv block5以及全连接层使用SGD优化器进行全局优化训练包括:搭建VGG16卷积层框架并使用公开的预训练权重初始化所述卷积层框架;构建VGG16的全连接层结构并使用所述bottleneck权重对所述全连接层结构进行初始化;冻结所述全连接层结构中的Conv block1至Conv block3间的所有层,使被冻结的层不参与优化训练;基于全部图像数据,利用优化器SGD对VGG16全连接层结构中的Convblock4、Conv block5以及全连接层进行训练,以更新所述bottleneck权重。
进一步地,利用优化训练得到的VGG16模型,确定新输入的***MRI图像表征***癌的概率包括:对新输入的***MRI图像进行预处理;利用所述优化训练得到的VGG16模型对预处理后的新输入的***MRI图像进行预测,以获取概率值;当获取的概率值大于或者等于预设阈值时,判定所述新输入的***MRI图像是表征***癌的图像。
本申请还提供一种基于VCG16的***癌图像诊断***,所述***包括:样本图像预处理单元,用于获取***MRI图像数据并对其进行预处理;图像特征提取单元,用于基于VGG16的卷积层中公开的预训练权重提取预处理后的***MRI图像的图像特征;训练单元,用于将提取的所述图像特征作为训练数据,利用RMSprop优化器训练全连接模型bottleneck;优化单元,用于在VGG16预训练权重与bottleneck权重的基础上,对VGG16的Conv block4和Conv block5以及全连接层使用SGD优化器进行全局优化训练;概率确定单元,用于利用优化训练得到的VGG16模型,确定新输入的***MRI图像表征***癌的概率。
进一步地,所述样本图像预处理单元包括:数据增强模块,用于利用开源工具3DSlicer将所述***MRI图像数据处理为2D图像,并对所得的图片数据通过翻转、平移操作进行数据增强。
进一步地,所述图像特征提取单元包括:框架初始化模块,用于搭建VGG16卷积层框架,并利用公开的预训练权重初始化所述卷积层框架;图像数据输入模块,用于将预处理后的***MRI图像数据输入初始化后的卷积层框架中,所述初始化后的卷积层框架输出的结果即为提取的图像特征。
进一步地,所述训练单元包括:模型训练模块,用于搭建两个全连接网络框架,并设置优化器RMSprop,使用提取的图像特征训练模型bottleneck,以得到bottleneck权重。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明采用深度学习框架对***癌MRI图像进行诊断,降低了人工判别癌症患病可能性的成本。因为本方法采用数据分析的方法对***癌进行预测与识别,从而避免了人工判别疾病的高昂的费用,只需要模型搭建,然后利用模型检测是否存在患癌风险,且患癌概率大小。
(2)本发明的方法提高了根据医学图像诊断是否患有***癌的效率,传统的医疗诊断方式是医生凭自身经验对多张扫描图像进行分析,若一个病患在同一医院复诊则需要更多的医学影像给医生诊断,评估手段复杂而费时。本发发明则通过统计机器学习模型进行评估,不仅节约成本而且方便有效。
(3)本发明诊断***癌得准确率高。传统的人工诊疗技术是凭借医生的经验作出诊断,且很可能会因为人为因素发生误诊或者漏诊的问题。而采用基于机器学习的统计模型检测,可以大大提升诊断的准确率同时能够防止外接因素的干扰。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本申请一部分实施方式,而不是全部的实施方式。基于本申请中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式,都应当属于本申请保护的范围。
请参阅图1,本申请实施方式提供一种基于VCG16的***癌图像诊断方法,所述方法包括:
获取***MRI图像数据并对其进行预处理;
1、基于VGG16的卷积层中公开的预训练权重提取预处理后的***MRI图像的图像特征;
2、将提取的所述图像特征作为训练数据,利用RMSprop优化器训练全连接模型bottleneck;
3、在VGG16预训练权重与bottleneck权重的基础上,对VGG16的Conv block4和Conv block5以及全连接层使用SGD优化器进行全局优化训练;
4、利用优化训练得到的VGG16模型,确定新输入的***MRI图像表征***癌的概率。
在本实施方式中,对***MRI图像数据进行预处理包括:
利用开源工具3DSlicer将所述***MRI图像数据处理为2D图像,并对所得的图片数据通过翻转、平移操作进行数据增强。
在本实施方式中,基于VGG16的卷积层中公开的预训练权重提取预处理后的***MRI图像的图像特征包括:
搭建VGG16卷积层框架,并利用公开的预训练权重初始化所述卷积层框架;
将预处理后的***MRI图像数据输入初始化后的卷积层框架中,所述初始化后的卷积层框架输出的结果即为提取的图像特征。
在本实施方式中,将提取的所述图像特征作为训练数据,利用RMSprop优化器训练全连接模型bottleneck包括:
搭建两个全连接网络框架,并设置优化器RMSprop,使用提取的图像特征训练模型bottleneck,以得到bottleneck权重。
在本实施方式中,对VGG16的Conv block4和Conv block5以及全连接层使用SGD优化器进行全局优化训练包括:
搭建VGG16卷积层框架并使用公开的预训练权重初始化所述卷积层框架;
构建VGG16的全连接层结构并使用所述bottleneck权重对所述全连接层结构进行初始化;
冻结所述全连接层结构中的Conv block1至Conv block3间的所有层,使被冻结的层不参与优化训练;
基于全部图像数据,利用优化器SGD对VGG16全连接层结构中的Conv block4、Convblock5以及全连接层进行训练,以更新所述bottleneck权重。
在本实施方式中,利用优化训练得到的VGG16模型,确定新输入的***MRI图像表征***癌的概率包括:
对新输入的***MRI图像进行预处理;
利用所述优化训练得到的VGG16模型对预处理后的新输入的***MRI图像进行预测,以获取概率值;
当获取的概率值大于或者等于预设阈值时,判定所述新输入的***MRI图像是表征***癌的图像。
具体地,在本申请一个实际应用场景中,详细步骤可以为:
第一步,对***MRI图像数据利用开源工具3DSlicer将原始DICOM格式转变为NRRD格式,并对图像加以bias,correction,histogram matching处理,然后以病灶区为中心将图像剪切成32*32像素大小的图片,通过翻转平移等方法进行数据增强;第二步,对预处理后的***MRI图像利用VGG16网络的卷积层及其公开的卷积层权重提取图像特征;第三步,将提取的图像特征作为训练数据,利用RMSprop优化器训练全连接模型bottleneck;第四步,在VGG16预训练权重与bottleneck权重的基础上,对VGG16的Conv block4和Convblock5以及全连接层使用SGD优化器进行全局优化训练,训练数据为全部图像数据;第五步,利用训练好的VGG16模型,预测新用户是***癌患者的概率。
请参阅图2,本申请还提供一种基于VCG16的***癌图像诊断***,所述***包括:
样本图像预处理单元100,用于获取***MRI图像数据并对其进行预处理;
图像特征提取单元200,用于基于VGG16的卷积层中公开的预训练权重提取预处理后的***MRI图像的图像特征;
训练单元300,用于将提取的所述图像特征作为训练数据,利用RMSprop优化器训练全连接模型bottleneck;
优化单元400,用于在VGG16预训练权重与bottleneck权重的基础上,对VGG16的Conv block4和Conv block5以及全连接层使用SGD优化器进行全局优化训练;
概率确定单元500,用于利用优化训练得到的VGG16模型,确定新输入的***MRI图像表征***癌的概率。
在本实施方式中,所述样本图像预处理单元包括:
数据增强模块,用于利用开源工具3DSlicer将所述***MRI图像数据处理为2D图像,并对所得的图片数据通过翻转、平移操作进行数据增强。
在本实施方式中,所述图像特征提取单元包括:
框架初始化模块,用于搭建VGG16卷积层框架,并利用公开的预训练权重初始化所述卷积层框架;
图像数据输入模块,用于将预处理后的***MRI图像数据输入初始化后的卷积层框架中,所述初始化后的卷积层框架输出的结果即为提取的图像特征。
在本实施方式中,所述训练单元包括:
模型训练模块,用于搭建两个全连接网络框架,并设置优化器RMSprop,使用提取的图像特征训练模型bottleneck,以得到bottleneck权重。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明采用深度学习框架对***癌MRI图像进行诊断,降低了人工判别癌症患病可能性的成本。因为本方法采用数据分析的方法对***癌进行预测与识别,从而避免了人工判别疾病的高昂的费用,只需要模型搭建,然后利用模型检测是否存在患癌风险,且患癌概率大小。
(2)本发明的方法提高了根据医学图像诊断是否患有***癌的效率,传统的医疗诊断方式是医生凭自身经验对多张扫描图像进行分析,若一个病患在同一医院复诊则需要更多的医学影像给医生诊断,评估手段复杂而费时。本发发明则通过统计机器学习模型进行评估,不仅节约成本而且方便有效。
(3)本发明诊断***癌得准确率高。传统的人工诊疗技术是凭借医生的经验作出诊断,且很可能会因为人为因素发生误诊或者漏诊的问题。而采用基于机器学习的统计模型检测,可以大大提升诊断的准确率同时能够防止外接因素的干扰。
上面对本申请的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是穷举的、或者不旨在将本申请限制于单个公开的实施方式。如上所述,本申请的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此,虽然已经具体讨论了一些另选的实施方式,但是其它实施方式将是显而易见的,或者本领域技术人员相对容易得出。本申请旨在包括在此已经讨论过的本申请的所有替代、修改、和变化,以及落在上述申请的精神和范围内的其它实施方式。
本说明书中的各个实施方式均采用递进的方式描述,各个实施方式之间相同相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。
虽然通过实施方式描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。