一种基于resnet与决策树的胃癌分型方法
技术领域
1.本发明属于图像识别技术领域，具体涉及一种基于resnet与决策树的胃癌分型方法。
背景技术：
2.胃癌目前在全球癌症发病率排名第五，死亡率排名第三，已成为威胁世界人民健康的第三大杀手。准确的术前胃癌分期对治疗计划的选取以及对患者术后疗效的预测都至关重要。目前胃癌分型需要专业医师人工完成，一方面，对医师的专业素养要求较高；另一方面，医师的工作量非常大，诊断过程耗时长。亟需一种可以快速准确对胃癌进行分型的方法。
3.公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现要素：
4.本发明的目的在于提供一种基于resnet与决策树的胃癌分型方法，其可以快速准确的对胃癌进行分型，为筛查胃癌疾病及制定治疗方案提供帮助。
5.为实现上述目的，本发明提供了如下技术方案：
6.一种基于resnet与决策树的胃癌分型方法，包括以下步骤：
7.s1.搭建残差模块，降采样残差层模块，最大化池化层，平均池化层和输出层；
8.s2.堆叠3个残差模块构成resnet第二阶段网络，堆叠1个降采样残差模块与3个残差模块组成resnet第三阶段网络，堆叠1个降采样残差模块与5个残差模块组成resnet第四阶段网络，堆叠1个降采样残差模块与2个残差模块组成resnet第五阶段网络；
9.s3.依次堆叠卷积层，最大池化层和第二阶段到第五阶段网络，组成特征提取网络；
10.s4.将特征提取网络的输出由宽
×
高
×
通道数的三维特征图展开为长度
×
通道数的二维特征向量；
11.s5.将二维特征向量展平为一维的特征向量，输入决策树，决策树根据该特征向量输出胃癌分型预测结果1；
12.s6.将二维特征向量输入依次输入全连接层和输出层，得到胃癌分型预测结果2；
13.s7.用融合层将胃癌分型预测结果1与胃癌分型预测结果2加权融合得到分类向量，经过argmax算法得到胃癌具体分型。
14.作为优选，s4中二维特征向量的长度＝宽
×
高。
15.作为优选，s5中的决策树为：
16.s5-1：判断是否为胃癌：若是则进入下一步骤判断其是否为特殊类型，若否则判断其为健康；
17.s5-2：判断是否为特殊类型：若是则判断具体的特殊类型；若否则进入下一步骤判
断细胞分型；
18.s5-3：根据细胞分型判断具体的普通类型。
19.与现有技术相比，本发明具有如下有益效果：
20.本发明的胃癌分型方法主要包括特征提取模块、全连接层、决策树模块和融合层。对比一般的unet，本发明针对胃癌分型任务的特点添加了决策树，将决策树的预测结果与全连接层的预测结果经过融合算法得到综合的分型结果，可以快速准确的对胃癌进行分型，为筛查胃癌疾病及制定治疗方案提供帮助。
附图说明
21.图1为本发明的胃癌分型方法流程图；
22.图2为本发明决策树的结构示意图；
具体实施方式
23.下面结合对本发明专利的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
24.实施例
25.参阅附图1-2，一种基于resnet与决策树的胃癌分型方法，包括以下步骤：
26.s1.搭建残差模块，降采样残差层模块，最大化池化层，平均池化层和输出层；
27.s2.堆叠3个残差模块构成resnet第二阶段网络，堆叠1个降采样残差模块与3个残差模块组成resnet第三阶段网络，堆叠1个降采样残差模块与5个残差模块组成resnet第四阶段网络，堆叠1个降采样残差模块与2个残差模块组成resnet第五阶段网络；
28.s3.依次堆叠卷积层，最大池化层和第二阶段到第五阶段网络，组成特征提取网络；
29.s4.将特征提取网络的输出由宽
×
高
×
通道数的三维特征图展开为长度
×
通道数的二维特征向量，二维特征向量的长度＝宽
×
高；
30.s5.将二维特征向量展平为一维的特征向量，输入决策树，决策树根据该特征向量输出胃癌分型预测结果1；
31.s6.将二维特征向量输入依次输入全连接层和输出层，得到胃癌分型预测结果2；
32.s7.用融合层将胃癌分型预测结果1与胃癌分型预测结果2加权融合得到分类向量，经过argmax算法得到胃癌具体分型。
33.参阅图2，在本实施例中，s5中的决策树为：
34.s5-1：判断是否为胃癌：若是则进入下一步骤判断其是否为特殊类型，若否则判断其为健康；
35.s5-2：判断是否为特殊类型：若是则判断具体的特殊类型；若否则进入下一步骤判断细胞分型；
36.s5-3：根据细胞分型判断具体的普通类型。
37.前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述
并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
技术特征：
1.一种基于resnet与决策树的胃癌分型方法，其特征在于，包括以下步骤：s1.搭建残差模块，降采样残差层模块，最大化池化层，平均池化层和输出层；s2.堆叠3个残差模块构成resnet第二阶段网络，堆叠1个降采样残差模块与3个残差模块组成resnet第三阶段网络，堆叠1个降采样残差模块与5个残差模块组成resnet第四阶段网络，堆叠1个降采样残差模块与2个残差模块组成resnet第五阶段网络；s3.依次堆叠卷积层，最大池化层和第二阶段到第五阶段网络，组成特征提取网络；s4.将特征提取网络的输出由宽
×
高
×
通道数的三维特征图展开为长度
×
通道数的二维特征向量；s5.将二维特征向量展平为一维的特征向量，输入决策树，决策树根据该特征向量输出胃癌分型预测结果1；s6.将二维特征向量输入依次输入全连接层和输出层，得到胃癌分型预测结果2；s7.用融合层将胃癌分型预测结果1与胃癌分型预测结果2加权融合得到分类向量，经过argmax算法得到胃癌具体分型。2.根据权利要求1所述的基于resnet与决策树的胃癌分型方法，其特征在于，s4中二维特征向量的长度＝宽
×
高。3.根据权利要求1所述的基于resnet与决策树的胃癌分型方法，其特征在于，s5中的决策树为：s5-1：判断是否为胃癌：若是则进入下一步骤判断其是否为特殊类型，若否则判断其为健康；s5-2：判断是否为特殊类型：若是则判断具体的特殊类型；若否则进入下一步骤判断细胞分型；s5-3：根据细胞分型判断具体的普通类型。
技术总结
本发明属于图像识别技术领域，具体涉及一种基于ResNet与决策树的胃癌分型方法，包括以下步骤：S1.搭建残差模块，降采样残差层模块，最大化池化层，平均池化层和输出层；S2.构成建ResNet第二到第五阶段网络；S3.组成特征提取网络；S4.将特征提取网络的三维特征图展开为二维特征向量；S5.将二维特征向量展平为一维的特征向量，输入决策树，输出胃癌分型预测结果1；S6.将二维特征向量输入依次输入全连接层和输出层，得到胃癌分型预测结果2；S7.将胃癌分型预测结果1与胃癌分型预测结果2融合得到胃癌具体分型。本发明的胃癌分型方法主要包括特征提取模块、全连接层、决策树模块和融合层，可以快速准确的对胃癌进行分型，为筛查胃癌疾病及制定治疗方案提供帮助。病及制定治疗方案提供帮助。病及制定治疗方案提供帮助。
技术研发人员：胡俊承 李珽君 莫春宝 陈鹏 李周全 郑锦花 唐专智
受保护的技术使用者：广西中廪智工科技发展集团有限公司
技术研发日：2022.03.04
技术公布日：2022/5/30
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
