一种基于几何优化不确定矫正的胶质瘤影像智能诊断方法

本发明涉及于图像，具体是一种基于几何优化不确定矫正的胶质瘤影像智能诊断方法。

背景技术：

1、脑胶质瘤(glioma)是由大脑和脊髓胶质细胞癌变所产生的，来源于神经系统胶质细胞，是最常见的颅内原发肿瘤，在颅内恶性肿瘤中占比40％～50％。世界卫生组织(who)将脑胶质瘤划为四级，恶性程度随着级别提升而增加。从第五版《世界卫生组织中枢神经系统肿瘤分类》分类方法中可以看出，分子诊断在目前脑胶质瘤的治疗中逐步被医生所采纳。而idh(异柠檬酸脱氢酶)是脑胶质瘤中常见的分子病理标记物。idh突变阳性提示脑胶质瘤至少是whoⅱ级。因此，准确的idh基因分型对脑胶质瘤的个体化指导治疗和临床预后评估具有重要意义。

2、医学图像分类是医学图像处理中的重要手段之一，通过医学图像分类，得到每一张图片的所属疾病类别，医务人员可以快速高效准确的进行临床疾病诊断，进一步提高医疗效率。在医学图像分析领域中，深度学习最早的应用之一便是图像分类。医学图像分类是指将医学图像作为输入，通过训练好的相对最好的模型对其预测，是否患某种疾病或者疾病严重程度分级作为输出。最早用于图像分类任务的深度学习模型为自编码算法(sae)、深度置信网络(dbn)等非监督学习网络。从早期的alexnet网络、vggnet网络、googlenet网络、resnet网络、densenet网络到如今高居首位的swim transform网络，都在医学图像分类的领域留下了浓墨重彩的一笔。当下，卷积神经网络(convolutional neural network，cnn)在医疗领域大放异彩，其医学应用十分广泛。但是，目前深度学习模型具有不可解释性，参数具有随机化性，模型预测具有不确定性。

3、医学图像处理对于医疗辅助诊断而言具有重要意义。但是随着科技的发展，医疗成像设备和技术的不断更新，人工智能ai(artificial intelligence)不断引领医疗领域的发展。传统的人工分类等方法无法满足日益增多的医疗图像的需求，也无法获取医疗图像中的细微信息。近年来，人工智能的发展为我们在该问题上找到合适的思路。深度学习是机器学习中的一个新领域，通过分析模拟人脑神经网络，能够不断获取事物特征，达到充分描述数据所表达信息的作用。

4、随着科技的发展，在日常生活中，深度学习的应用越来越多。尽管，目前深度神经网络具有极佳的性能，但是，其学习过程相关的不确定性不容忽视。在深度卷积神经网络中，在对深度学习模型进行校准过程中，常常校准不好，从而导致出现不太符合结果的校准效果。所以，在本专利中，采用基于几何优化算法的模型后矫正，对模型得出结果进行后矫正。

5、另外，在传统的数据预处理中，大多只能在原医学图像数据上，对有标签的医学图像数据集进行裁剪、旋转、缩放、翻转和平移等操作，达到数据集扩增的作用。但是，医学图像数据集往往会存在有标签和无标签两种。对于有标签数据集可以运用传统数据扩增方法，无标签数据集经常会因无标签原因不被使用。

技术实现思路

1、本发明的目的是针对现有技术存在的上述问题，克服现有技术的不足之处，设计一种基于几何优化不确定矫正的胶质瘤影像智能诊断方法，该法通过预训练模型改进k-means聚类，真值发现不确定性矫正，添加伪标签，解决了医学图像数据集过少的问题，还实现了胶质瘤分子诊断的医学影像图像分类，从而辅助临床诊断。

2、一种基于几何优化不确定矫正的胶质瘤影像智能诊断方法，包括如下步骤：

3、步骤一：收集若干胶质瘤图像，通过深度卷积神经网络对其进行特征提取，对提取出的胶质瘤图像特征进行分类；

4、步骤二：考虑多个胶质瘤图像的联合影响，改进维诺图算法，并基于改进的维诺图算法对胶质瘤图像进行类别不确定性矫正；

5、步骤三：基于几何优化算法的胶质瘤图像分类模型后矫正,改善矫正模型在胶质瘤图像精度下降的问题；

6、步骤四：得到每一张胶质瘤医学图像的最终类别信息，实现胶质瘤影像智能诊断。

7、进一步的，在步骤一中：

8、首先，将胶质瘤图像尺寸调整至模型输入层大小，输入到预训练深度卷积神经网络模型中，对胶质瘤图像数据进行学习和训练，进行图像特征提取，以提高模型对胶质瘤图像数据的分类准确性和泛化能力；

9、然后，对提取的胶质瘤图像特征进行聚类，得到分类的胶质瘤图像的类别信息；

10、最后，再使用真值发现算法对聚类得到的胶质瘤图像类别信息进行不确定性校正，以达到数据扩增、减小实验误差和提高模型泛化能力的目的。

11、优选的，采用改进的k-means算法对提取的胶质瘤图像特征进行聚类，改进k-means算法有效考虑医学图像先验知识对于样本分类的影响，解决了传统k-means算法基于欧氏距离计算样本类别距离受随机性影响大的问题，通过先验知识赋权重计算样本类别距离，提高了胶质瘤图像特征聚类的准确性。

12、进一步的，改进的k-means算法对提取的胶质瘤图像特征进行聚类包括如下步骤：

13、s01：输入经过预训练卷积神经网络提取的胶质瘤图像特征，根据先验知识对每张胶质瘤图像所对应的特征赋予权重；

14、s02：根据先验知识，选定每个类别中最具代表性的一张胶质瘤图像作为聚心；

15、s03：计算每一个赋予权重的胶质瘤图像样本与聚心的距离，并将胶质瘤图像归入最近的聚心的类中；

16、s04：重复操作，直至所有胶质瘤图像归类完成。

17、优选的，s03中计算每一个赋予权重的胶质瘤图像样本与聚心的距离参照下述公式：

18、

19、其中，d表示胶质瘤待分类样本与胶质瘤图像聚类聚心的距离，x、y分别为胶质瘤图像聚类聚心坐标，f为聚心的权重，f(i)为待分类胶质瘤样本的基于先验知识的权重，xi、yi分别为待分类胶质瘤图像的坐标。

20、优选的，步骤一使用使用果蝇算法对深度卷积神经网络分类结果进行分类结果权重的更新，使结果更为精准。

21、进一步的，步骤二的具体操作步骤为：

22、s21：考虑多个胶质瘤图像的联合影响，将空间分解成若干个单元格，输入由深度卷积神经网络提取的胶质瘤图像特征集；

23、s22：构建胶质瘤图像特征点簇、胶质瘤图像特征盒树，以及经过划分后的胶质瘤图像特征点簇；

24、s23：判断特征盒树是否为空，如果盒树不为空，对划分后第一组胶质瘤特征点簇进行赋值，如果盒树为空，则构建特征盒树，重复赋值操作；

25、s24：判断胶质瘤图像是二分类还是多分类，如果胶质瘤图像分类是二分类，则对划分后的第二组胶质瘤图像特征点簇进行误差评估，并进行赋值操作；如果胶质瘤图像分类是多分类，则对胶质瘤图像特征点簇进行排序，并重新进行特征点簇划分，重复赋值操作。

26、进一步的，为了保持误差可控，采取下述操作：

27、首先输入一组点p，误差错误率β＞0和盒树结构数据，其次为点p构建特征盒树，然后构建特征盒树的结点，最后输出简化后的特征盒树；

28、获取胶质瘤图像数据集的子集，其次构建特征盒树，最后进行种类划分，即最终的胶质瘤图像所属类别；

29、对于胶质瘤图像单元p∈p，且任意第二类别的胶质瘤图像单元c而言，设d(c)为单元c的直径，r为单元c到p的最短距离，那么，

30、

31、对于p∈p，且距离结点为v的第一类别的单元c而言，那么对于q∈c并且p'∈p\pv则满足，

32、

33、其中，p\pv表示p的已知子集pv，l(v)表示具有距离结点v的输入点，p(|p|)表示多项有界函数中点簇p得到的取值。

34、进一步的，步骤三包括如下过程：

35、s31：输入由多个改进维诺图算法得到的胶质瘤图像的高维向量数据d和胶质瘤图像的集成数据dens；

36、s32：获取当前集成数据dens中最大数据的索引值i以及获取中排序数值的索引集合s，其中，di表示i个高维向量数据，l表示胶质瘤图像个数；

37、s33：若满足排序数值的索引值集合s的第一个取值等于当前集成数据dens中最大数据的索引值i，则返回高维向量数据d；

38、s34：若不满足排序数值的索引值集合s的第一个取值等于当前集成数据dens中最大数据的索引值i，则计算矫正高维向量数据dc；

39、s35：若矫正高维向量数据dc大于高维向量数据d，则更新矫正高维向量数据dc；

40、s36：重复s34、s35，直至所有高维向量均被更新。

41、优选的，几何优化精度保持式为：

42、

43、

44、

45、其中，d*表示真实概率向量，ωs表示可信度，s表示第几个分类器模型，s表示分类器个数，l表示高维向量维度，在约束规范式中引入子空间ω：dl＞dm,通过上式实现在每一次循环迭代中，将真实概率向量d*落在δα＝δl∩ω，其中，δα表示精度保持区域，δl∩ω表示原始概率和预测概率的交集区域，如果有真实概率向量d*落在δα外，通过找寻该真实概率向量d*在δα上的投影值，将落在δα外的真实概率向量d*拉回至δα内，从而保持精度不受影响。

46、与现有技术相比，本发明的有益效果：

47、1.本发明设计一种基于真值发现的预训练模型的改进k-means聚类的数据扩增方法。对无标签数据集进行改进k-means聚类，添加伪标签，并基于真值发现算法的不确定矫正，得到最终该无标签数据图像的伪标签，解决了医学图像数据集过少的问题。通过实验仿真，表明该算法在实验精度和实验效果上有一定的提升。改进k-means算法是基于先验知识赋权重对样本类别距离进行计算的，有效考虑医学图像先验知识对于样本分类的影响，基于先验知识对聚心进行选择，有效考虑胶质瘤图像聚类聚心选择对于样本分类的影响，而原始k-means算法是基于欧氏距离对样本类别距离进行计算，基于随机化法对聚心进行选择。

48、2.本发明采用改进的维诺图，输入点是一个给定的点集，通过所有维诺点对任一维诺点q的联合影响来构建维诺图，改变传统中的维诺图输入点是一个给定的点或者对象，通过计算单个维诺点和任一维诺点q距离来构建，解决了传统维诺图空间划分和空间分配问题，在传统的深度卷积神经网络中，高维向量通过映射至低维向量来获取输入所对应的分类类别。

49、3.本发明将果蝇算法运用在胶质瘤图像真/伪标签上，并对基于深度卷积神经网络的胶质瘤图像真/伪标签进行权重更新，获取伪标签最优权重值，从而改善了胶质瘤图像真/伪标签对实验精度的实际影响。

50、4.本发明实现了基于几何优化算法的模型后校准，对深度卷积神经网络分类器后基于改进维诺图校准后的胶质瘤图像数据进行校准，解决了传统实验校准结果受限问题。