CN113052812A - 一种基于AmoebaNet的MRI***癌检测方法 - Google Patents
一种基于AmoebaNet的MRI***癌检测方法 Download PDFInfo
- Publication number
- CN113052812A CN113052812A CN202110301547.5A CN202110301547A CN113052812A CN 113052812 A CN113052812 A CN 113052812A CN 202110301547 A CN202110301547 A CN 202110301547A CN 113052812 A CN113052812 A CN 113052812A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- training
- amoebanet
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 206010060862 Prostate cancer Diseases 0.000 title claims abstract description 25
- 208000000236 Prostatic Neoplasms Diseases 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000010276 construction Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 17
- 238000002790 cross-validation Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 42
- 230000009466 transformation Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 101150064138 MAP1 gene Proteins 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 101100456045 Schizosaccharomyces pombe (strain 972 / ATCC 24843) map3 gene Proteins 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 claims description 3
- 101100075995 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fma2 gene Proteins 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 208000009956 adenocarcinoma Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013188 needle biopsy Methods 0.000 description 1
- 238000004223 overdiagnosis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30081—Prostate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像识别技术领域，具体涉及一种基于AmoebaNet的MRI***癌检测方法，包括如下步骤：数据集构建、数据预处理、数据集划分、模型构建、模型训练、模型评价，所述数据集构建读取PROSTATEx数据集的图片数据与其对应标签，将其以矩阵形式保存；所述数据预处理对数据进行增强与缩放处理；所述数据集划分以K折交叉验证方法将数据集重组为多个训练集与测试集组合；所述模型构建以AmoebaNet为基础构建模型，建立多尺度非线性的深度学习网络，同时加入1*1卷积对数据维度进行提升，并使用全连接对特征进行最终分类；所述模型训练对多个组合对模型进行训练；所述模型评价采用准确率、召回率与F1‑Score对模型识别效果进行评价。
Description
技术领域
本发明属于图像识别技术领域，具体涉及一种基于AmoebaNet的MRI***癌检测方法。
背景技术
MRI是检测***癌的一种可信度极高的方法，但是，对MRI图像进行准确的解释需要放射科医生具有大量的专业知识和经验，且需要耗费大量的时间，所以现在MRI诊断应用率较低。
存在问题或缺陷的原因：经直肠超声引导穿刺活检是目前诊断***癌最可靠的方法，然而，这种传统的诊断方法不仅使患者非常痛苦，而且还可能导致采样区域不是病变区域的情况，从而延缓了疾病的治疗，或者可能导致过度诊断和治疗。
发明内容
针对上述图像识别技术模型应用较差的技术问题，本发明提供了一种识别效率高、成本低、泛化能力强的基于AmoebaNet的MRI***癌检测方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于AmoebaNet的MRI***癌检测方法，包括下列步骤：
S100、数据集构建：读取PROSTATEx数据集的图片数据与其对应标签，将其以矩阵形式保存；
S200、数据预处理：对数据进行增强与缩放处理；
S300、数据集划分：以K折交叉验证方法将数据集重组为多个训练集与测试集组合；
S400、模型构建：以AmoebaNet为基础构建模型，建立多尺度非线性的深度学习网络，同时加入1*1卷积对数据维度进行提升，并使用全连接对特征进行最终分类；
S500、模型训练：采用指定参数对网络进行训练，使用K折交叉验证所得的多个组合对模型进行训练；
S600、模型评价：采用准确率、召回率与F1-Score对模型识别效果进行评价。
所述S100数据集构建中，使用PROSTATEx竞赛数据集，共包含***癌病灶特征的图像84张，良性病例的图像280张，读取所有图片数据，将其以矩阵方式保存为npy格式，将其标签也同样以矩阵方式保存为npy格式，数据矩阵格式为(n,x,y)，其中n为数据编号，x与y为数据的二维像素矩阵，标签矩阵的格式为(n,l)，其中n为标签编号，l为数据标签，1代表***癌症图片，0代表正常图片，标签与数据一一对应。
所述S200数据预处理中，采用镜像变换与对比度变换两种方式对数据进行增强，镜像对换方式为将数据基于中心轴，将其两端对应像素点进行对调，达到镜像变换的目的，对比度的变换方式为，首先对灰度数据进行归一化处理，归一化方式为
其中x′i为归一化后得到的结果，xi为待处理像素点，X为该条数据全部数值的集合，再对归一化之后的数据分别乘以0.8、0.9、1.1、1.2的系数，计算完成后再次对数据进行归一化，之后再对数据乘以255，还原图像，将数据增强后的数据与原始数据混合并随机打乱，将全部数据缩放到400*400大小。
所述S300数据集划分中，采用K折交叉验证方式进行数据集的划分，将数据集划分为训练集、验证集与测试集，取K＝5，集将全部数据平均分为5个数据集，将其编号为数据集a/b/c/d/e，在进行模型训练时，选取4个数据集作为训练集进行模型参数训练，1个数据集作为测试集对模型识别效果进行评估。
所述S400模型构建中，基于AmoebaNet-A进行模型构建，首先对数据进行2次1*1卷积，将数据提升到8通道，之后使用AmoebaNet模块对特征进行提取，每个AmoebaNet-A模块由5个计算模块构成，其中第一个计算模块由一个3*3大小的平均池化层与一个3*3的最大池化层构成，计算完成后，将二者得到的特征进行ADD处理，得到feature map1，该计算模块的输入为上一层网络的输入；第二个计算模块进行一次3*3的平均池化，池化的输入为本层网络的输入，计算完毕后将池化结果与上一层的输入进行ADD，得到feature map2；第三个计算模块进行一次5*5的卷积与一次3*3的卷积，5*5卷积的输入为feature map1，3*3卷积的输入为本层的输入，之后将二者的结果进行ADD，得到feature map3；第四个计算模块进行一次3*3的卷积运算，其输入为feature map1，将计算得到的结果与本层网络的输入进行ADD，得到feature map4；第五个计算模块进行一次3*3的平均池化了一次3*3的卷积运算，池化的输入为feature map3，卷积运算的输入为上一层的输入，完成计算后将二者的计算结果进行ADD，得到feature map5；待全部计算完成后，将feature map2、feature map4、feature map5进行concate，得到本层网络提取的特征，经过5个AmoebaNet模块的特征提取后，使用全连接层完成最后的分类任务。
所述S500模型训练中，网络搭建完毕后使用训练集数据对网络参数进行训练，采用SGD作为优化器，初始学习率为0.01，每100个epoch学习率衰减50％，batch size大小为32，损失函数使用交叉熵损失函数，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型，使用K折交叉验证得到的5个数据组对模型进行训练，得到5个参数模型，对5个模型在其对应验证集上的预测结果进行评价与效果比对，若模型性能相近，则证明模型训练完全，保存模型，完成模型搭建，若5个模型性能差距较大，则重新进行K折交叉验证划分数据集，调整学习率对模型进行再次训练，直到得到最佳模型。
所述S600模型评价中，使用训练好的模型对测试集数据进行***癌MRI分类预测，将预测结果与其对应标签进行比对，进行识别效果评价，评价方式为F1-score，F1-Score值越高，表示识别效果越好，公式如下：
本发明与现有技术相比，具有的有益效果是：
本发明通过数据增强的方法，实现了前脸腺癌MRI图像数据的有效扩充，从而保证了深度网络的识别性能，同时增强了网络的泛化能力与鲁棒性，利用AmoebaNet为基础构建智能网络，网络无需人工参与即可对MRI图像进行高效的识别，简化了前脸腺癌的检测流程，极大地加快了***癌的检测。
附图说明
图1本发明的主要步骤流程图；
图2本发明的网络结构图；
图3本发明的AmoebaNet模块图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
一种基于AmoebaNet的MRI***癌检测方法，如图1所示，包括下列步骤：
S100、数据集构建：读取PROSTATEx数据集的图片数据与其对应标签，将其以矩阵形式保存；
S200、数据预处理：对数据进行增强与缩放处理；
S300、数据集划分：以K折交叉验证方法将数据集重组为多个训练集与测试集组合；
S400、模型构建：以AmoebaNet为基础构建模型，建立多尺度非线性的深度学习网络，同时加入1*1卷积对数据维度进行提升，并使用全连接对特征进行最终分类；
S500、模型训练：采用指定参数对网络进行训练，使用K折交叉验证所得的多个组合对模型进行训练；
S600、模型评价：采用准确率、召回率与F1-Score对模型识别效果进行评价。
进一步，步骤S100数据集构建中，使用PROSTATEx竞赛数据集，共包含***癌病灶特征的图像84张，良性病例的图像280张，读取所有图片数据，将其以矩阵方式保存为npy格式，将其标签也同样以矩阵方式保存为npy格式，数据矩阵格式为(n,x,y)，其中n为数据编号，x与y为数据的二维像素矩阵，标签矩阵的格式为(n,l)，其中n为标签编号，l为数据标签，1代表***癌症图片，0代表正常图片，标签与数据一一对应。
进一步，步骤S200数据预处理中，由于数据集数据量较少，模型容易发生欠拟合，无法达到最佳的识别效果，且不同的核磁共振设备收集到的数据会有所差异，为增强模型的泛化能力与鲁棒性，防止欠拟合的发生，采用镜像变换与对比度变换两种方式对数据进行增强，镜像对换方式为将数据基于中心轴，将其两端对应像素点进行对调，达到镜像变换的目的，对比度的变换方式为，首先对灰度数据进行归一化处理，归一化方式为
其中x′i为归一化后得到的结果，xi为待处理像素点，X为该条数据全部数值的集合，再对归一化之后的数据分别乘以0.8、0.9、1.1、1.2的系数，计算完成后再次对数据进行归一化，之后再对数据乘以255，还原图像，将数据增强后的数据与原始数据混合并随机打乱，将全部数据缩放到400*400大小。
进一步，步骤S300数据集划分中，采用K折交叉验证方式进行数据集的划分，将数据集划分为训练集、验证集与测试集，取K＝5，集将全部数据平均分为5个数据集，将其编号为数据集a/b/c/d/e，在进行模型训练时，选取4个小数据集作为训练集进行模型参数训练，1个小数据及作为测试集对模型识别效果进行评估。
进一步，步骤S400模型构建中，如图2所示，由于前脸腺癌MRI图像的特征较为微弱，基于AmoebaNet-A进行模型构建，该模型的异体构架可对数据进行更为有效的特征提取，网络首先对数据进行2次1*1卷积，将数据提升到8通道，之后使用AmoebaNet模块对特征进行提取，如图3所示，每个AmoebaNet-A模块5个计算模块构成，其中第一个计算模块由一个3*3大小的平均池化层与一个3*3的最大池化层构成，计算完成后，将二者得到的特征进行ADD处理，得到feature map1，该计算模块的输入为上一层网络的输入；第二个计算模块进行一次3*3的平均池化，池化的输入为本层网络的输入，计算完毕后将池化结果与上一层的输入进行ADD，得到feature map2；第三个计算模块进行一次5*5的卷积与一次3*3的卷积，5*5卷积的输入为feature map1，3*3卷积的输入为本层的输入，之后将二者的结果进行ADD，得到feature map3；第四个计算模块进行一次3*3的卷积运算，其输入为featuremap1，将计算得到的结果与本层网络的输入进行ADD，得到feature map4；第五个计算模块进行一次3*3的平均池化了一次3*3的卷积运算，池化的输入为feature map3，卷积运算的输入为上一层的输入，完成计算后将二者的计算结果进行ADD，得到feature map5；待全部计算完成后，将feature map2、feature map4、feature map5进行concate，得到本层网络提取的特征，经过5个AmoebaNet模块的特征提取后，使用全连接层完成最后的分类任务。
进一步，步骤S500模型训练中，网络搭建完毕后使用训练集数据对网络参数进行训练，采用SGD作为优化器，初始学习率为0.01，每100个epoch学习率衰减50％，batch size大小为32，损失函数使用交叉熵损失函数，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型，使用K折交叉验证得到的5个数据组对模型进行训练，得到5个参数模型，对5个模型在其对应验证集上的预测结果进行评价与效果比对，若模型性能相近，则证明模型训练完全，保存模型，完成模型搭建，若5个模型性能差距较大，则重新进行K折交叉验证划分数据集，调整学习率对模型进行再次训练，直到得到最佳模型。
进一步，步骤S600模型评价中，使用训练好的模型对测试集数据进行***癌MRI分类预测，将预测结果与其对应标签进行比对，进行识别效果评价，评价方式为F1-score，F1-Score值越高，表示识别效果越好，公式如下：
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于AmoebaNet的MRI***癌检测方法，其特征在于：包括下列步骤：
S100、数据集构建：读取PROSTATEx数据集的图片数据与其对应标签，将其以矩阵形式保存；
S200、数据预处理：对数据进行增强与缩放处理；
S300、数据集划分：以K折交叉验证方法将数据集重组为多个训练集与测试集组合；
S400、模型构建：以AmoebaNet为基础构建模型，建立多尺度非线性的深度学习网络，同时加入1*1卷积对数据维度进行提升，并使用全连接对特征进行最终分类；
S500、模型训练：采用指定参数对网络进行训练，使用K折交叉验证所得的多个组合对模型进行训练；
S600、模型评价：采用准确率、召回率与F1-Score对模型识别效果进行评价。
2.根据权利要求1所述的一种基于AmoebaNet的MRI***癌检测方法，其特征在于：所述S100数据集构建中，使用PROSTATEx竞赛数据集，共包含***癌病灶特征的图像84张，良性病例的图像280张，读取所有图片数据，将其以矩阵方式保存为npy格式，将其标签也同样以矩阵方式保存为npy格式，数据矩阵格式为(n,x,y)，其中n为数据编号，x与y为数据的二维像素矩阵，标签矩阵的格式为(n,l)，其中n为标签编号，l为数据标签，1代表***癌症图片，0代表正常图片，标签与数据一一对应。
3.根据权利要求1所述的一种基于AmoebaNet的MRI***癌检测方法，其特征在于：所述S200数据预处理中，采用镜像变换与对比度变换两种方式对数据进行增强，镜像对换方式为将数据基于中心轴，将其两端对应像素点进行对调，达到镜像变换的目的，对比度的变换方式为，首先对灰度数据进行归一化处理，归一化方式为
其中x′i为归一化后得到的结果，xi为待处理像素点，X为该条数据全部数值的集合，再对归一化之后的数据分别乘以0.8、0.9、1.1、1.2的系数，计算完成后再次对数据进行归一化，之后再对数据乘以255，还原图像，将数据增强后的数据与原始数据混合并随机打乱，将全部数据缩放到400*400大小。
4.根据权利要求1所述的一种基于AmoebaNet的MRI***癌检测方法，其特征在于：所述S300数据集划分中，采用K折交叉验证方式进行数据集的划分，将数据集划分为训练集、验证集与测试集，取K＝5，集将全部数据平均分为5个数据集，将其编号为数据集a/b/c/d/e，在进行模型训练时，选取4个数据集作为训练集进行模型参数训练，1个数据集作为测试集对模型识别效果进行评估。
5.根据权利要求1所述的一种基于AmoebaNet的MRI***癌检测方法，其特征在于：所述S400模型构建中，基于AmoebaNet-A进行模型构建，首先对数据进行2次1*1卷积，将数据提升到8通道，之后使用AmoebaNet模块对特征进行提取，每个AmoebaNet-A模块由5个计算模块构成，其中第一个计算模块由一个3*3大小的平均池化层与一个3*3的最大池化层构成，计算完成后，将二者得到的特征进行ADD处理，得到feature map1，该计算模块的输入为上一层网络的输入；第二个计算模块进行一次3*3的平均池化，池化的输入为本层网络的输入，计算完毕后将池化结果与上一层的输入进行ADD，得到feature map2；第三个计算模块进行一次5*5的卷积与一次3*3的卷积，5*5卷积的输入为feature map1，3*3卷积的输入为本层的输入，之后将二者的结果进行ADD，得到feature map3；第四个计算模块进行一次3*3的卷积运算，其输入为feature map1，将计算得到的结果与本层网络的输入进行ADD，得到feature map4；第五个计算模块进行一次3*3的平均池化了一次3*3的卷积运算，池化的输入为feature map3，卷积运算的输入为上一层的输入，完成计算后将二者的计算结果进行ADD，得到feature map5；待全部计算完成后，将feature map2、feature map4、featuremap5进行concate，得到本层网络提取的特征，经过5个AmoebaNet模块的特征提取后，使用全连接层完成最后的分类任务。
6.根据权利要求1所述的一种基于AmoebaNet的MRI***癌检测方法，其特征在于：所述S500模型训练中，网络搭建完毕后使用训练集数据对网络参数进行训练，采用SGD作为优化器，初始学习率为0.01，每100个epoch学习率衰减50％，batch size大小为32，损失函数使用交叉熵损失函数，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型，使用K折交叉验证得到的5个数据组对模型进行训练，得到5个参数模型，对5个模型在其对应验证集上的预测结果进行评价与效果比对，若模型性能相近，则证明模型训练完全，保存模型，完成模型搭建，若5个模型性能差距较大，则重新进行K折交叉验证划分数据集，调整学习率对模型进行再次训练，直到得到最佳模型。
7.根据权利要求1所述的一种基于AmoebaNet的MRI***癌检测方法，其特征在于：所述S600模型评价中，使用训练好的模型对测试集数据进行***癌MRI分类预测，将预测结果与其对应标签进行比对，进行识别效果评价，评价方式为F1-score，F1-Score值越高，表示识别效果越好，公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110301547.5A CN113052812B (zh) | 2021-03-22 | 2021-03-22 | 一种基于AmoebaNet的MRI***癌检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110301547.5A CN113052812B (zh) | 2021-03-22 | 2021-03-22 | 一种基于AmoebaNet的MRI***癌检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113052812A true CN113052812A (zh) | 2021-06-29 |
| CN113052812B CN113052812B (zh) | 2022-06-24 |
Family
ID=76514224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110301547.5A Active CN113052812B (zh) | 2021-03-22 | 2021-03-22 | 一种基于AmoebaNet的MRI***癌检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052812B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113254435A (zh) * | 2021-07-15 | 2021-08-13 | 北京电信易通信息技术股份有限公司 | 一种数据增强方法及*** |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
| CN107256544A (zh) * | 2017-04-21 | 2017-10-17 | 南京天数信息科技有限公司 | 一种基于vcg16的***癌图像诊断方法及*** |
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN110175671A (zh) * | 2019-04-28 | 2019-08-27 | 华为技术有限公司 | 神经网络的构建方法、图像处理方法及装置 |
| CN110782015A (zh) * | 2019-10-25 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 神经网络的网络结构优化器的训练方法、装置及存储介质 |
| CN111325713A (zh) * | 2020-01-21 | 2020-06-23 | 浙江省北大信息技术高等研究院 | 基于神经网络的木材缺陷检测方法、***及存储介质 |
| CN111414815A (zh) * | 2020-03-04 | 2020-07-14 | 清华大学深圳国际研究生院 | 行人重识别网络搜索方法及行人重识别方法 |
| WO2020176435A1 (en) * | 2019-02-25 | 2020-09-03 | Google Llc | Systems and methods for producing an architecture of a pyramid layer |
| CN111652225A (zh) * | 2020-04-29 | 2020-09-11 | 浙江省北大信息技术高等研究院 | 基于深度学习的非侵入式摄像读取方法及*** |
| CN112215332A (zh) * | 2019-07-12 | 2021-01-12 | 华为技术有限公司 | 神经网络结构的搜索方法、图像处理方法和装置 |
| CN112257794A (zh) * | 2020-10-27 | 2021-01-22 | 东南大学 | 一种基于yolo的轻量级的目标检测方法 |
| US20210073612A1 (en) * | 2019-09-10 | 2021-03-11 | Nvidia Corporation | Machine-learning-based architecture search method for a neural network |
-
2021
- 2021-03-22 CN CN202110301547.5A patent/CN113052812B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
| CN107256544A (zh) * | 2017-04-21 | 2017-10-17 | 南京天数信息科技有限公司 | 一种基于vcg16的***癌图像诊断方法及*** |
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| WO2020176435A1 (en) * | 2019-02-25 | 2020-09-03 | Google Llc | Systems and methods for producing an architecture of a pyramid layer |
| CN110175671A (zh) * | 2019-04-28 | 2019-08-27 | 华为技术有限公司 | 神经网络的构建方法、图像处理方法及装置 |
| CN112215332A (zh) * | 2019-07-12 | 2021-01-12 | 华为技术有限公司 | 神经网络结构的搜索方法、图像处理方法和装置 |
| US20210073612A1 (en) * | 2019-09-10 | 2021-03-11 | Nvidia Corporation | Machine-learning-based architecture search method for a neural network |
| CN110782015A (zh) * | 2019-10-25 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 神经网络的网络结构优化器的训练方法、装置及存储介质 |
| CN111325713A (zh) * | 2020-01-21 | 2020-06-23 | 浙江省北大信息技术高等研究院 | 基于神经网络的木材缺陷检测方法、***及存储介质 |
| CN111414815A (zh) * | 2020-03-04 | 2020-07-14 | 清华大学深圳国际研究生院 | 行人重识别网络搜索方法及行人重识别方法 |
| CN111652225A (zh) * | 2020-04-29 | 2020-09-11 | 浙江省北大信息技术高等研究院 | 基于深度学习的非侵入式摄像读取方法及*** |
| CN112257794A (zh) * | 2020-10-27 | 2021-01-22 | 东南大学 | 一种基于yolo的轻量级的目标检测方法 |
Non-Patent Citations (8)
| Title |
|---|
| ESTEBAN REAL 等: "Regularized Evolution for Image Classifier Architecture Search", 《THE THIRTY-THIRD AAAI CONFERENCE ARTIFICIAL INTELLIGENCE》 * |
| ESTEBAN REAL 等: "Regularized Evolution for Image Classifier Architecture Search", 《THE THIRTY-THIRD AAAI CONFERENCE ARTIFICIAL INTELLIGENCE》, 31 December 2019 (2019-12-31), pages 4780 - 4789 * |
| 刘可文等: "基于级联卷积神经网络的***磁共振图像分类", 《波谱学杂志》 * |
| 刘可文等: "基于级联卷积神经网络的***磁共振图像分类", 《波谱学杂志》, no. 02, 9 June 2020 (2020-06-09), pages 29 - 38 * |
| 张泽中等: "基于深度学习的胃癌病理图像分类方法", 《计算机科学》 * |
| 张泽中等: "基于深度学习的胃癌病理图像分类方法", 《计算机科学》, 15 November 2018 (2018-11-15), pages 273 - 278 * |
| 张燕咏等: "基于多模态融合的自动驾驶感知及计算", 《计算机研究与发展》 * |
| 张燕咏等: "基于多模态融合的自动驾驶感知及计算", 《计算机研究与发展》, no. 09, 1 September 2020 (2020-09-01), pages 5 - 23 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113254435A (zh) * | 2021-07-15 | 2021-08-13 | 北京电信易通信息技术股份有限公司 | 一种数据增强方法及*** |
| CN113254435B (zh) * | 2021-07-15 | 2021-10-29 | 北京电信易通信息技术股份有限公司 | 一种数据增强方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113052812B (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145745B (zh) | 一种遮挡情况下的人脸识别方法 | |
| CN112132833B (zh) | 一种基于深度卷积神经网络的皮肤病图像病灶分割方法 | |
| CN112800876B (zh) | 一种用于重识别的超球面特征嵌入方法及*** | |
| CN105138993A (zh) | 建立人脸识别模型的方法及装置 | |
| US11430255B2 (en) | Fast and robust friction ridge impression minutiae extraction using feed-forward convolutional neural network | |
| CN111222457B (zh) | 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 | |
| CN111488815B (zh) | 基于图卷积网络和长短时记忆网络的事件预测方法 | |
| CN112446891A (zh) | 基于U-Net网络脑胶质瘤的医学图像分割方法 | |
| CN112668519A (zh) | 基于MCCAE网络和Deep SVDD网络的异常人脸识别活体检测方法及*** | |
| CN114882537B (zh) | 一种基于神经辐射场的手指新视角图像生成方法 | |
| CN113052812B (zh) | 一种基于AmoebaNet的MRI***癌检测方法 | |
| CN114842524B (zh) | 一种基于不规则显著性像素簇的人脸鉴伪方法 | |
| CN112634231A (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
| CN115761888A (zh) | 基于nl-c3d模型的塔吊操作人员异常行为检测方法 | |
| CN112263224B (zh) | 一种基于fpga边缘计算的医学信息处理方法 | |
| CN113781387A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| CN112990090A (zh) | 一种人脸活体检测方法及装置 | |
| CN116188956A (zh) | 一种深度伪造人脸图像检测的方法及相关设备 | |
| CN114360058B (zh) | 一种基于行走视角预测的跨视角步态识别方法 | |
| CN114550252A (zh) | 一种基于注意力机制的人脸识别方法 | |
| CN114283301A (zh) | 一种基于Transformer的自适应医学影像分类方法及*** | |
| Li et al. | A Multi-Category Brain Tumor Classification Method Bases on Improved ResNet50. | |
| CN117011918B (zh) | 基于线性注意力机制的人脸活体检测模型的构建方法 | |
| CN112906637B (zh) | 基于深度学习的指纹图像识别方法、装置和电子设备 | |
| CN116150617B (zh) | 一种肿瘤浸润淋巴细胞识别方法和*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |