一种基于密级卷积网络的卵巢癌良恶性诊断的方法

300次阅读 2020-10-22

其方法包括:获取卵巢部位超声图像,并将该超声图像发送到超声医师进行标注,对超声医师标注后的超声图像进行预处理,以得到预处理后的卵巢部位超声图像,将超声图像输入到密集卷积网络中分类训练,以得到卵巢部位超声图像分类模型,利用该模型对待检测卵巢部位超声图像进行分类以得到良恶性诊断结果。本方法能够克服现有卵巢癌良恶性识别方法存在极大误判可能性,从而容易出现误诊和漏诊、并耽误患者正确治疗的技术问题。经过实验,针对181幅超声图像采用80%进行训练,20%ji进行测试,最终达到最优分类精度94.51%。

其中在密集卷积网络结构中,每一层的输出都导入后面的所有层,密集卷积网络结构使用的是连结结构(concatenate)。这样的结构可以减少网络参数,避免某些层被选择性丢弃,信息阻塞等问题。
对于一个卷积网络,假设输入图像x0。该网络包含 LL 层,每一层都实现了一个非线性变换Hi(.),其中i表示第i层。Hi(.)可以是一个组合操作,如:BN,ReLU,Pooling或者Conv。将第i层的输出记作xi。结果,第 ii 层得到了之前所有层的特征映射x0,x1,...,xi−1x0,x1,...,xi−1作为输入
xi=Hi([x0,x1,...,xi−1])xi=Hi([x0,x1,...,xi−1])
[x0,x1,...,xi−1][x0,x1,...,xi−1]表示特征映射的级联
Composite function
定义Hi(.)为一个三个连续操作的组合函数:BN, ReLU, 3*3卷积(Conv)
Pooling Layers
当特征映射的大小改变时,上式中使用的连接操作是不可行的。然而,卷积网络的一个重要部分是改变特征映射大小的下采样层。为了简化架构中的下采样,我们将网络划分为多个紧密连接的密集块;将块之间的层称为过渡层,它执行卷积和合并。实验中使用的过渡层由批量归一化层和1×1卷积层以及2×2平均池化层组成,3个dense blocks组成的一个深度DenseNet.