欢迎来到利索能及~ 联系电话:18621327849
利索能及
我要发布
收藏
专利号: 2019100666689
申请人: 江苏大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-10-29
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.基于卷积神经网络的MRI肿瘤体素检测方法,其特征在于,包括以下步骤:步骤1:以AlexNet模型为基础,建立双路径双卷积核3D CNN模型基本框架,上下路径分别采用大、小卷积核,上下路径均采用了两个卷积层;步骤2:在步骤1的第二个卷积层之前加入1×1×1卷积核来减少参数和计算量;步骤3:采用3D CNN模型在数据集上训练,通过分类结果中的假阳性和假阴性样本加入原数据集;步骤4:将3D CNN模型全连接层换成卷积层,即将3D CNN模型变成3D FCN模型,用此模型在扩充过的数据上训练,得到最终MRI肿瘤体素分类模型。

2.根据权利要求1所述的基于卷积神经网络的MRI肿瘤体素检测方法,其特征在于:所述步骤1具体包括:首先以AlexNet为基本模型架构,删减部分层数,架构主体由2个卷积层、

2个全连接层、1个输出层组成;每个卷积层后依次连接ReLU激活函数、最大池化层和LRN规范化层,2个全连接层依次相连,第2个全连接层后依次连接Dropout层和目标函数层;模型接收3D MRI体素作为输出。

3.根据权利要求2所述的基于卷积神经网络的MRI肿瘤体素检测方法,其特征在于:双路径中,上路径采用21×21×11的大卷积核提取特征,充分提取病灶区域和周边正常组织的特征;下路径采用7×7×3的小卷积核提取特征,提取病灶区域自身特征的同时减少了信息的冗余。

4.根据权利要求1所述的基于卷积神经网络的MRI肿瘤体素检测方法,其特征在于:所述步骤2的具体过程为:在第二个卷积层之前添加一个卷积层,卷积核大小为1×1×1,,通道数利用经验设定,同时减少第二个卷积层的通道数,以上步骤将会显著降低参数和计算量。

5.根据权利要求1所述的基于卷积神经网络的MRI肿瘤图像检测方法,其特征在于:所述步骤3的具体过程为:步骤3.1将原始3D MRI体素图像作为经步骤1和步骤2改良模型的输入,随后进行前向传播时随机初始化模型参数,随机参数服从标准正态分布,利用Softmax函数做为目标函数得到输出结果,Softmax函数如下:其中类y表示病灶种类,即阳性还是阴性,x代表输入的3D MRI体素值,θ代表模型中的参数,Softmax函数分类器的优点在于对于每一个类别值,都会输出一个对应的概率值,即P(y=j|x),同时所有类别概率值之和为1;

步骤3.2得到输出结果与真实标记进行比对,利用Softmax回归损失函数计算输出结果与真实标记之间的损失,Softmax回归损失函数如下:其中m表示样本个数,k表示样本种类,Ι{·}表示指示函数,J(θ)表示系统损失值;

步骤3.3进行反向传播,利用随机梯度下降法进行参数更新:

即通过对损失函数求其偏导数,将结果作为梯度值来更新参数:

其中α表示每次参数更新的步长;

步骤3.4设定一个阀值,每次参数变化量Δθ小于此阀值,停止更新参数,否则跳转步骤

3.1;

步骤3.5将模型输出结果与真实标记比对,得到假阴性和假阳性样本,并加入原数据集,得到经过扩充的数据集,同时得到经过预训练的3D CNN模型。

6.根据权利要求1所述的基于卷积神经网络的MRI肿瘤体素检测方法,其特征在于:所述步骤4的具体过程为:步骤4.1:将步骤3所得到预训练3D CNN模型的最后两个全连接层,换成卷积层,其中参数随机初始化,并服从标准正态分布,此时3D CNN模型变成3D FCN模型;

步骤4.2:在经过步骤3.5扩充过的数据集上,用此步骤4.1得到的模型进行训练,训练步骤参考步骤3,最终得到MRI肿瘤体素分类模型。