基于随机高斯场神经网络辅助的肾透明细胞癌诊断方法与流程

本发明涉及医疗辅助领域，特别是涉及一种基于随机高斯场神经网络辅助的肾透明细胞癌诊断方法。

背景技术：

肾实质癌是来源于肾小管上皮细胞的腺癌，85％为透明细胞癌，还有一部分为颗粒细胞癌及混合细胞癌。癌中常有出血、坏死、囊变和钙化。生于肾实质内，长大后浸润、压迫、破坏肾盂肾盏，向肾包膜外发展，形成血管瘤栓或转移到淋巴结及其他脏器。在病理上，肾癌分为4型：透明细胞型肾癌、颗粒细胞型肾癌、混合细胞型肾癌、未分化细胞型肾癌。其中，绝大多数为肾透明细胞癌，占肾癌的70％～80％，其癌细胞常排列成片状、条索状、腺泡状或管状，很像肾小管。虽说透明细胞癌在肾癌中是恶性程度最低的，但临床实际中常常是与颗粒细胞癌和梭型细胞癌三型混合存在，显微镜下分级其实非常困难。因此急需一种融合当今人工智能前沿算法的方法，对医学造影图像进行分类识别，并辅助医师进行诊断。

在人工智能信号处理领域，人工神经网络由于其具有非线性建模和自适应数据的能力，从而被广泛使用在数据分类和参数映射方面。人工神经网络依赖内部的自适应基函数之间的链接属性，从而学习和表征数据间的强相关性，反应数据的分类和回归特性。另一方面，基于贝叶斯框架的概率随机模型，例如随机高斯场，提供了与神经网络区别化的处理数据手段：随机高斯场能概率化预测结果，即不仅提供点估计值，还能分析出预测置信度区间，这对于现实问题是很有帮助的。本发明利用上述两者的优点，构造出一种全新的系统框架，并利用这种新数学模型来辅助医师进行医疗影像的诊断。

对于经诊断需要进行肾透明细胞癌切除手术的患者，在现有技术中，通常需要将其病变的整个肾脏切除，虽然理念直接简单，但对于患者来说付出的代价也是巨大的。而且在目前主流的腹腔镜肾肿瘤切除手术案例中，需要医师主观的对癌变生理组织区块扫描图像进行二维鉴别，从而做出人工判断。这一过程常常需要依赖医师的大量临床经验和知识积累才能做到有效的预估计。因此即费时又费力，效果还不一定理想。为此，本发明试图通过设计一种人工智能辅助机制，用来提高医师对病变部位的精确定位和病变等级的评估，从而可以针对性的切除，而不是整个肾脏切除。

技术实现要素：

针对现有技术的不足，本发明提供一种基于随机高斯场神经网络辅助的肾透明细胞癌诊断方法，通过构建一种数据驱动的人工智能随机高斯场神经网络模型，并提供大量原始医疗图像和鉴别结果作为系统输入和输出，实施智能化监督学习，在学习训练完成之后，能对未知医疗图像进行有效甄别，辅助医师对病变部位进行定位，从而帮助医师更好的判断肾透明癌细胞病变部位和病变等级，缓解医师压力，同时提高确诊准确率。

为实现上述目的，本发明采用的技术方案为：

一种基于随机高斯场神经网络辅助的肾透明细胞癌诊断方法，在训练阶段，构造数据驱动的自学习复杂网络结构模型，将原始医疗图像和对应的带标注的病理区块作为网络的输入和输出，对网络进行有监督的学习；在判决阶段，给定未知的输入原始医疗图像，计算待检验部位病变概率几何均值，并给出置信度区间，从而辅助医师确定癌变等级和生理病变区位。

优选地，具体包括以下步骤：

s01，图像预处理：将原始医疗图像转换为灰度值表示的灰度图像；

s02，神经网络模型的构建和训练：将灰度图像的灰度值作为输入通过随机高斯场映射为中间参数，并由全连接无向图方式链接至输出层，输出层设置为通过人工标注的识别结果，从而形成具有非线性分类功能的随机高斯场神经网络模型，所述神经网络模型构建完成后，将大量原始医疗图像和对应的具有病理区块标注的鉴别结果作为所述神经网络模型的输入和输出，对所述神经网络模型进行有监督的学习；

s03，利用所述神经网络模型进行识别：将待检验部位的医疗图像经图像预处理后，输入所述神经网络模型，预测判断分类模式，每个分类结果都具有一定概率，且同时获得预测估计的置信度区间，医师通过横向比较分类结果概率大小以及置信度区间来辅助诊断。

进一步地，所述原始医疗图像为医学肾透明细胞癌的医学扫描图像。

优选地，s01进一步包括以下步骤：利用图像增强算法对原始图像进行下列一种或多种操作：旋转、对齐、统一图像尺寸、增强亮度和对比度。

优选地，s02进一步包括以下步骤：

(a1)设x表示输入图像像素数据构成的矢量，y表示输出类别，构建如下随机高斯场神经网络模型：

y(x)＝w(x)[f(x)+σf∈]+σyz(1)

其中，

∈＝∈(x)和z＝z(x)分别是两个具有不同协方差参数的高斯白噪声过程，∈的概率分布为n(0,iq)，n(0,iq)表示均值为0，协方差矩阵iq是一个q×q维的单位阵的高斯分布，z的概率分布为n(0,ip)，n(0,ip)表示均值为0，协方差矩阵ip是一个p×p维的单位阵的高斯分布，σf和σy分别是待估能量系数，

w(x)是一个p×q的矩阵，其中每个元素w(x)ij都是一个独立的随机高斯场，即其中kw可以是任何形式的半正定核函数，

f(x)＝f(f1(x),f2(x),…,fq(x))是一个q维的矢量，其中任意一个元素都是独立的随机高斯场，即

(a2)设训练数据集合为未知模型参数u＝(f,w)，f和w分别表示带入数据点之后的f(x)和w(x)，根据随机高斯场的定义，有如下先验概率分布：

p(u|σf,θf,θw)＝n(0,cb)(2)

其中θf,θw分别表示f(x)和w(x)中涉及到的核函数所包含的超参数，cb是一个nq(p+1)×nq(p+1)维的分块对角阵，

同时根据(1)式可得似然度函数为：

运用贝叶斯定理可得：

其中，(4)式是待估计的目标式，获得了(4)式的估计即能获得y(x)的估计，得到判别结果；

(a3)利用变分贝叶斯法来最优化(4)式，从而获得最优模型结构参数。变分贝叶斯的本质是通过一种迭代方式来使得待估计概率分布q(·)逼近真实的后验概率分布p(·)(即公式4)，即通过最小化失真函数dist：

其中，h[·]表示熵函数，首先给分配逆伽马分布(ig)，即：

其次，设计近似分布q(v)如下：

其中均为逆伽马分布，qfi,qwij均为n维的高斯分布，

最后，对(7)式进行迭代求最优值，即利用共轭梯度下降法在梯度方向进行分段线性搜索，寻找使(7)式最大化的θf,θw。

优选地，s03进一步包括以下步骤：

(b1)对于一张新的未知医疗图像，首先调用s01步骤进行图像预处理；

(b2)利用s02步骤训练好的网络模型进行分类判决，首先根据贝叶斯公式，准确的目标预测函数应该为：

其次，利用变分贝叶斯法的思想进行近似，设上式中的即令标准概率分布可以由两个近似概率分布相乘得到，根据标准的高斯分布条件概率和边缘概率的属性，对上式进行积分，得到估计判决的均值mean(y^*)和方差cov(y^*)ij，方差cov(y^*)ij即为置信度区间，如下：

式中，k表示判别种类，δij是kroneckerdelta函数，在获得了判决均值的基础上，进行横向对比选择概率最大的那一类作为判决结果，同时，根据方差函数确定所述判决结果具有多大的变异可能，从而构成完整的评判标准。

优选地，随机高斯场参数、神经网络模型参数均由变分贝叶斯法在边缘化最大似然度准则下估计得到。

与现有技术相比，本发明的有益效果在于，1)本发明构建基于随机高斯场的神经网络模型，将大量的原始医疗图像和对应的带标注的病理区块作为神经网络模型的输入和输出，对神经网络模型进行有监督的学习，然后将未知的新的待检验部位的医疗图像输入到构建好并经过有监督的学习训练的神经网络模型，得到待检验部位病变概率估计判决的均值和置信度区间，辅助医师确定癌变等级和生理病变区块，提高医师对病变部位的定位及病变等级评估的精确性；2)本发明的方法用于对医疗图像进行辅助诊疗，融合了人工智能算法，能够帮助医师更好的判断肾透明癌细胞病变部位和病变等级，从而缓解医师压力，同时提高确诊准确率，提升工作效率；3)本发明的神经网络模型是基于随机高斯场的神经神经网络模型，其既包含概率特征，又包含神经网络的非频率特性，能够对未知的图像进行非线性概率分类，并提供置信度区间分析结果，大大提高了辅助性诊断的可信度。

附图说明

图1为根据实施例的基于随机高斯场神经网络辅助的肾透明细胞癌诊断方法的流程图；

图2为本发明的随机高斯场神经网络模型的示意图；

图3为根据实施例的本发明的肾透明细胞癌病变部位的示意图；

图4为根据实施例的本发明的肾透明细胞癌病变部位的示意图。

具体实施方式

下面结合附图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

本发明提供一种基于随机高斯场神经网络辅助的肾透明细胞癌诊断方法，在训练阶段，构造数据驱动的自学习复杂网络结构模型，将原始医疗图像和对应的带标注的病理区块作为网络的输入和输出，对网络进行有监督的学习；在判决阶段，给定未知的输入原始医疗图像，计算待检验部位病变概率几何均值，并给出置信度区间，从而辅助医师确定癌变等级和生理病变区位。如附图所示，具体包括以下步骤：

s01，图像预处理：将原始医疗图像转换为灰度值表示的灰度图像，并利用传统的图像增强算法进行旋转、对齐、统一图像尺寸、增强亮度和对比度等操作，其中，所述原始医疗图像为医学肾透明细胞癌的医学扫描图像，带标注的病理区块包括标注有结石和肾积水的病理区块，标注有肿瘤的病理区块；

s02，神经网络模型的构建和训练：将灰度图像的灰度值作为输入通过随机高斯场映射为中间参数，并由全连接无向图方式链接至输出层，输出层设置为通过人工标注的识别结果，从而形成具有非线性分类功能的随机高斯场神经网络模型，所述神经网络模型构建完成后，将大量原始医疗图像和对应的具有病理区块标注的鉴别结果作为所述神经网络模型的输入和输出，对所述神经网络模型进行有监督的学习；其中，随机高斯场参数、神经网络模型参数均由变分贝叶斯法在边缘化最大似然度准则下估计得到；

s03，利用所述神经网络模型进行识别：将待检验部位的医疗图像经图像预处理后，输入所述神经网络模型，预测判断分类模式，每个分类结果都具有一定概率，且同时获得预测估计的置信度区间，随后通过神经网络模型预测判断分类结果，每个分类结果都具有一定概率，且系统提供了预测判断结果的置信度区间，医师可以通过横向比较分类结果概率大小以及可能性覆盖范围(置信度区间)来辅助诊断，从而确定待检验部位的癌变等级和生理病变区块。

具体地，如图2所示，s02进一步包括以下步骤：

(a1)设x表示输入图像像素数据构成的矢量，y表示输出类别，构建如下随机高斯场神经网络模型：

y(x)＝w(x)[f(x)+σf∈]+σyz(1)

其中，

∈＝∈(x)和z＝z(x)分别是两个具有不同协方差参数的高斯白噪声过程，∈的概率分布为n(0,iq)，n(0,iq)表示均值为0，协方差矩阵iq是一个q×q维的单位阵的高斯分布，z的概率分布为n(0,ip)，n(0,ip)表示均值为0，协方差矩阵ip是一个p×p维的单位阵的高斯分布，σf和σy分别是待估能量系数，

w(x)是一个p×q的矩阵，其中每个元素w(x)ij都是一个独立的随机高斯场，即其中kw可以是任何形式的半正定核函数，

f(x)＝f(f1(x),f2(x),…,fq(x))是一个q维的矢量，其中任意一个元素都是独立的随机高斯场，即

(a2)设训练数据集合为未知模型参数u＝(f,w)，f和w分别表示带入数据点之后的f(x)和w(x)，根据随机高斯场的定义，有如下先验概率分布：

p(u|σf,θf,θw)＝n(0,cb)(2)

其中θf,θw分别表示f(x)和w(x)中涉及到的核函数所包含的超参数，cb是一个nq(p+1)×nq(p+1)维的分块对角阵，

同时根据(1)式可得似然度函数为：

运用贝叶斯定理可得：

其中，(4)式是待估计的目标式，获得了(4)式的估计即能获得y(x)的估计，得到判别结果；

(a3)利用变分贝叶斯法来最优化(4)式，从而获得最优模型结构参数。变分贝叶斯的本质是通过一种迭代方式来使得待估计概率分布q(·)逼近真实的后验概率分布p(·)(即公式4)，即通过最小化失真函数：

其中，h[·]表示熵函数，首先给分配逆伽马分布(ig)，即：

其中，待估能量系数σf和σy可以从(6)式中得到，其次，设计近似分布q(v)如下：

其中均为逆伽马分布，均为n维的高斯分布，

最后，对(7)式进行迭代求最优值，即利用共轭梯度下降法在梯度方向进行分段线性搜索，寻找使(7)式最大化的θf,θw。

具体地，s03进一步包括以下步骤：

(b1)对于一张新的未知医疗图像，首先调用s01步骤进行图像预处理；

(b2)利用s02步骤训练好的网络模型进行分类判决，首先根据贝叶斯公式，准确的目标预测函数应该为：

其次，利用变分贝叶斯法的思想进行近似，设上式中的即令标准概率分布可以由两个近似概率分布相乘得到，根据标准的高斯分布条件概率和边缘概率的属性，对上式进行积分，得到估计判决的均值mean(y^*)和方差cov(y^*)ij，方差cov(y^*)ij即为置信度区间，如下：

式中，k表示判别种类，δij是kroneckerdelta函数，在获得了判决均值的基础上，进行横向对比选择概率最大的那一类作为判决结果，同时，根据置信度区间确定所述判决结果具有多大的变异可能，从而构成完整的评判标准。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。