一种基于多层残差U-net的直肠CT肿瘤检测方法与流程

一种基于多层残差u
‑
net的直肠ct肿瘤检测方法
技术领域
1.本发明涉及深度学习技术领域，特别涉及一种基于多层残差u
‑
net的直肠ct肿瘤检测方法。


背景技术：

2.全球结直肠癌流行数据解读指出，直肠癌在全球最常见的恶性肿瘤中排行第三，2018年发病数高达180万，死亡率更是占发病数的48％，接近一半的死亡率。随着经济水平的发展，运动量的减少、饮食习惯的不规律、睡眠时间的缩短等原因是全球范围内高发病率高死亡率的主要原因。
3.随着全球患直肠癌的风险越来越高，医患数量极其不平衡。传统诊断直肠癌的方法主要依靠医师的经验自行判断患者的ct影像是否存在病灶，此方法针对当下的患者多、医师少的情况，已经无法适用。在此基础之上，巨大的工作压力给予医师精神干扰，无形之中影响医师的判断，仅仅靠着人工去识别肿瘤区域必然存在较多的误差。


技术实现要素：

4.本发明的目的是提供一种基于多层残差u
‑
net的直肠ct肿瘤检测方法，将应用于医患之间，协助医生判断病灶面积、周长等，尽可能降低医生的工作压力，便于患者用户使用。
5.本发明的上述技术目的是通过以下技术方案得以实现的：
6.一种基于多层残差u
‑
net的直肠ct肿瘤检测方法，其特征在于，包括如下步骤：
7.步骤1、将ct影像转换格式读取，保留特征区域后将特征区域转换为二维数组，进行归一化处理，将得到的数据集划分为训练集、验证集和测试集；
8.步骤2、在u
‑
net网络模型的u型结构纵向上多加入一对编码器和解码器即第五层的网络结构，再在横向上对每一层的编码器和解码器添加一个残差模块，残差模块通过残差映射的方式进行计算输出；
9.步骤3、通过adam优化器以及损失函数对构建的网络进行优化编译；
10.步骤4、将训练集数据输入至优化编译完成的网络模型中，再通过验证集和测试集对网络模型进行评估。
11.优选的，所述步骤1中需要先对ct影像的数量进行判断，数量过少则通过图像增强扩充方法对数据集进行扩充，图像增强扩充方法为对原ct影像进行随机角度旋转，翻转，颜色干扰，小像素裁剪从而将ct影像的数量进行扩充。
12.优选的，所述步骤1中训练集、验证集和测试集内的数据利用随机数种子进行随机打乱。
13.优选的，所述步骤2中残差模块内部进行改进，改进公式(1)如下：
14.h(x)＝w
n 1
z(w
n
x) sx
ꢀꢀꢀꢀꢀ
(1)
15.x代表网络输入，h(x)代表网络的输出，w
n 1
表示权重值，z表示激活函数；s为一个
调节的参数，实验中默认为1；w
n 1
z(w
n
x)通过f(x，w
i
)表示多个卷积层的情况，改进公式(2)如下：
16.y＝f(x，w
i
) x
ꢀꢀꢀꢀꢀ
(2)
17.从而实现深度优化。
18.优选的，所述步骤2中横向上的每一层的编码器和解码器的输入与输出都是相同大小的特征图，特征图的通道数随特征图尺度变小而增大，每层中的下采样包含2个3x3的卷积层，1个残差模块以及1个2x2的池化层，每层解码器的输入是下层解码器的上采样特征和同层编码器输出特征的合并特征，合并特征经过2个3
×
3卷积、1个残差模块、1个1
×
1卷积上采样输出到上层解码器，每层编码器除了向同层解码器输出特征外，还向下层编码器下采样输出特征，最上层解码器最后经过1
×
1卷积输出分割结果。
19.优选的，所述步骤3中adam优化器的算法应用公式(3)如下：
20.adam(η，β1，β2，∈)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
21.η是学习率或步长因子，它控制了权重的更新比率，β1是一阶矩估计的指数衰减率，β2是二阶矩估计的指数衰减率，都是接近1的数，∈是为了防止除数为零，在数据集内数据平衡的状况下超参数η、β1、β2、∈设定为默认值为0.001、0.9、0.999、10
‑
8，更新规则的算法公式(4)和(5)如下：
22.m
t
＝β1m
t
‑1 (1
‑
β1)g
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0023][0024]
其中g
t
为梯度，m
t
为一阶矩估计，v
t
为二阶矩估计，通过公式(4)与公式(5)对梯度和梯度的平方进行滑动平均，使得每次的更新都和历史值相关联；
[0025]
对于极不平衡的数据集需要对初期滑动平均偏差较大的一个修正，修正公式如下：
[0026][0027][0028]
当t值越来越大时，和都趋近于1，修正任务完成，再通过参数更新公式保证adam优化器的算法学习率不断更新，更新公式如下：
[0029][0030]
其中学习率为每轮的学习率不再保持不变，adam优化器的算法根据每个参数的梯度的一阶矩估计和二阶矩估计来动态调整每个参数的学习。
[0031]
优选的，所述步骤3中损失函数的计算方法为：设p为u
‑
net网络得到分割图中所有像素构成的集合，g为真实的标注掩模图中所有像素构成的集合，定义损失函数为：
[0032]
[0033]
其中第一项主要计算dice系数，第二项则是计算二分类交叉熵，p
i
∈{0,1}为u
‑
net网络得到的分割图中像素点i的值，g
i
∈{0,1}为标注掩膜图中像素点i的值，n是分割图和标注掩模图中的像素点总个数，λ为惩罚系数，ε是光滑算子，用于避免损失函数中分母为0。
[0034]
优选的，所述步骤4中选用了3种评估指标用于评估ct影像分割效果，来衡量细分模型的性能，包括准确率，召回率，dice系数，原理公式如下：
[0035][0036][0037][0038]
其中，tp表示被正确检测为正样本的像素数量，fp表示被错误检测为正样本的像素数量，fn表示被错误检测为负样本的像素数量，tn表示被正确检测为为负样本的像素数量，a是分割结果像素构成的集合，b是实际数据集标签像素构成的集合，将dice系数作为主要评价指标，dice系数的取值范围是[0,1]，dice其值越大，两幅图像越相似，分割效果越准确。
[0039]
综上所述，本发明的有益效果为：基本实现了直肠癌病灶的自动化检测，从而降低直肠癌肿瘤病灶的漏诊及误诊率、减少医生工作量、协助医生判断病灶面积、周长等，尽可能降低医生的工作压力、提高直肠癌检测自动化程度。
附图说明
[0040]
图1是图像增强扩充方法示意图；
[0041]
图2是ct影像中的区域划分示意图；
[0042]
图3是多层残差u
‑
net结构图；
[0043]
图4是模型的整体训练流程图；
[0044]
图5是分割效果图。
具体实施方式
[0045]
下面结合附图对本发明的具体实施方式作进一步说明，本实施例不构成对本发明的限制。
[0046]
一种基于多层残差u
‑
net的直肠ct肿瘤检测方法，包括如下步骤：
[0047]
步骤1、需要先对ct影像的数量进行判断，数量过少则通过图像增强扩充方法对数据集进行扩充，图像增强扩充方法为对原ct影像进行随机角度旋转，翻转，颜色干扰，小像素裁剪从而将ct影像的数量进行扩充，如图1所示，将ct影像转换格式读取，保留特征区域后将特征区域转换为二维数组，图2为ct影像中的区域划分，进行归一化处理，将得到的数据集划分为训练集、验证集和测试集，训练集、验证集和测试集内的数据利用随机数种子进行随机打乱。步骤2、在u
‑
net网络模型的u型结构纵向上多加入一对编码器和解码器即第五层的网络结构，再在横向上对每一层的编码器和解码器添加一个残差模块，残差模块通过
残差映射的方式进行计算输出，以此提高其对小目标的特征提取精确度，提高整体分割的精确度，如图3所示。
[0048]
横向上的每一层的编码器和解码器的输入与输出都是相同大小的特征图，特征图的通道数随特征图尺度变小而增大，每层中的下采样包含2个3x3的卷积层，1个残差模块以及1个2x2的池化层，每层解码器的输入是下层解码器的上采样特征和同层编码器输出特征的合并特征，合并特征经过2个3
×
3卷积、1个残差模块、1个1
×
1卷积上采样输出到上层解码器，每层编码器除了向同层解码器输出特征外，还向下层编码器下采样输出特征，最上层解码器最后经过1
×
1卷积输出分割结果。
[0049]
对残差模块内部进行改进，改进公式(1)如下：
[0050]
h(x)＝w
n 1
z(w
n
x) s
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0051]
x代表网络输入，h(x)代表网络的输出，w
n 1
表示权重值，z表示激活函数；s为一个调节的参数，实验中默认为1；w
n 1
z(w
n
x)通过f(x，w
i
)表示多个卷积层的情况，改进公式(2)如下：
[0052]
y＝f(x，w
i
) x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0053]
从而实现深度优化。
[0054]
步骤3、通过adam优化器以及损失函数对构建的网络进行优化编译，adam优化器的算法应用公式(3)如下：
[0055]
adam(η，β1，β2，∈)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0056]
η是学习率或步长因子，它控制了权重的更新比率，β1是一阶矩估计的指数衰减率，β2是二阶矩估计的指数衰减率，都是接近1的数，∈是为了防止除数为零，在数据集内数据平衡的状况下超参数η、β1、β2、∈设定为默认值为0.001、0.9、0.999、10
‑
8，更新规则的算法公式(4)和(5)如下：
[0057]
m
t
＝β1m
t
‑1 (1
‑
β1)g
c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0058][0059]
其中g
t
为梯度，m
t
为一阶矩估计，v
t
为二阶矩估计，通过公式(4)与公式(5)对梯度和梯度的平方进行滑动平均，使得每次的更新都和历史值相关联；
[0060]
对于极不平衡的数据集需要对初期滑动平均偏差较大的一个修正，修正公式如下：
[0061][0062][0063]
当t值越来越大时，和都趋近于1，修正任务完成，再通过参数更新公式保证adam优化器的算法学习率不断更新，更新公式如下：
[0064]
[0065]
其中学习率为每轮的学习率不再保持不变，adam优化器的算法根据每个参数的梯度的一阶矩估计和二阶矩估计来动态调整每个参数的学习。
[0066]
损失函数的计算方法为：设p为u
‑
net网络得到分割图中所有像素构成的集合，g为真实的标注掩模图中所有像素构成的集合，定义损失函数为：
[0067][0068]
其中第一项主要计算dice系数，第二项则是计算二分类交叉熵，p
i
∈{0,1}为u
‑
net网络得到的分割图中像素点i的值，g
i
∈{0,1}为标注掩膜图中像素点i的值，n是分割图和标注掩模图中的像素点总个数，λ为惩罚系数，ε是光滑算子，用于避免损失函数中分母为0。
[0069]
步骤4、模型的整体训练流程图如图4所示，将训练集数据输入至优化编译完成的网络模型中，再通过验证集和测试集对网络模型进行评估，选用了3种评估指标用于评估ct影像分割效果，来衡量细分模型的性能，包括准确率，召回率，dice系数，原理公式如下：
[0070][0071][0072][0073]
其中，tp表示被正确检测为正样本的像素数量，fp表示被错误检测为正样本的像素数量，fn表示被错误检测为负样本的像素数量，tn表示被正确检测为为负样本的像素数量，a是分割结果像素构成的集合，b是实际数据集标签像素构成的集合，将dice系数作为主要评价指标，dice系数的取值范围是[0,1]，dice其值越大，两幅图像越相似，分割效果越准确，图5为分割效果图。
[0074]
本发明基本实现了直肠癌病灶的自动化检测，从而降低直肠癌肿瘤病灶的漏诊及误诊率、减少医生工作量、协助医生判断病灶面积、周长等，尽可能降低医生的工作压力、提高直肠癌检测自动化程度。
[0075]
以上所述，仅是本发明的较佳实施例而已，不用于限制本发明，本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明技术方案的保护范围内。