一种基于深度学习的脑肿瘤分类方法
【技术领域】
[0001] 本发明属于计算机辅助诊断领域，更为具体地讲，涉及一种基于深度学习的脑肿 瘤分类方法。
【背景技术】
[0002] 深度学习是当前机器学习研宄的热门领域，这些研宄涉及到人类活动的方方面 面，如语音识别，人脸检测，目标跟踪，语义解析等等。但目前深度学习还很少应用到计算机 辅助诊断领域。
[0003] 目前，计算机辅助诊断研宄较为成熟的是在乳腺和肺部病变方面，研宄证明，计算 机辅助诊断系统能够提供给医生一个客观的计算机诊断结果作为第二参考，对于提高医生 诊断的准确率、减少漏诊起到了积极的作用。
[0004] 但是，计算机辅助诊断系统在脑肿瘤上的研宄还处于起步阶段，大量的研宄正在 进行之中。然而脑肿瘤是除脑血管病外神经系统最常见的疾病，被认为是神经外科治疗中 最棘手的难治性肿瘤之一，严重地威胁着人类的身体健康。据国内流行病学资料统计，我国 脑肿瘤患病率为32/10万人口，平均年发病率为4~10/10万人口（即我国13亿人口中每 年新发病4~13万人）。脑肿瘤占全身肿瘤的1%~6%，在全身恶性肿瘤引起的死亡中占 2%，位居第十位。
[0005] 脑肿瘤的早期发现可以大大提高治愈率，而肿瘤良恶性的判别对制定病人的治疗 方案有很大的影响。如果能在术前较可靠地根据病人症状判断出肿瘤的良恶性就可能减轻 患者的痛苦，甚至可治愈部分病人，而且可赢得进一步治疗的时机，有可能改善病人的生存 质量和延长生存期。
[0006] 现有的判断脑肿瘤良恶性的方法主要是先提取脑肿瘤的纹理特征，再利用 PCA降维，最后利用支持向量机进行分类。但这种方法局限于单一的低层特征。而 深度学习的最大作用，在于模仿人的思维，从低层特征中抽象出更具识别力的高层特 征。 文献(Suk H I，Shen D.Deep learning-based feature representation for AD/MCI classification[M]//Medical Image Computing and Computer-Assisted Intervention-MICCAI 2013. Springer Berlin Heidelberg, 2013:583-590.)成功利用深 度学习，从93个感兴趣区域的灰质体积中，提取出高层特征，提高了 AD/MCI的分类准确率。
【发明内容】
[0007] 本发明的目的在于克服现有脑肿瘤分类方法的不足，提供一种基于深度学习的脑 肿瘤良恶性分类方法，发现在纹理、形状等低层特征基础上的高层潜在特征表示，提高特征 的识别力，降低分类的错误率，辅助医生更准确直观地判断肿瘤的类型，制定恰当的手术方 案。
[0008] 本发明解决其技术问题所采用的技术方案如下：
[0009] 基于深度学习的脑肿瘤分类方法，其流程如图1所示，具体包括以下步骤：
[0010] 步骤一：浏览患脑肿瘤的病人的MRI图像，选取其中脑肿瘤最大的一层，对其进行 去噪、增强等预处理，并将脑肿瘤分割出来；
[0011] 步骤二：基于Gabor小波提取脑肿瘤的纹理特征，提取不同尺度和方向上的Gabor 小波纹理特征；
[0012] 步骤三：为每一个肿瘤构造一组k个半径等量增加的同心圆，对每一个半径增量， 计算该圆和肿瘤重叠的部分的比例，构成每个肿瘤的k维特征向量；
[0013] 步骤四：设定整个深度学习模型为包含L个隐层的深度学习网络，将步骤二中的 纹理特征向量作为输入，利用深度学习进行高层特征的提取，首先进行逐层的预训练，利用 降噪自动编码，对输入进行编码解码，调整层与层之间的参数，使原始输入与重建之后的误 差最小，用该参数得到第一个隐层的输出，作为第二个隐层的输入，以此类推，直至得到第L 个隐层深度学习过程后的参数；
[0014] 步骤五：在预训练的网络最后增加一个输出层，通过有标签的数据，自上而下利用 反向传播和梯度下降方法微调整个网络的参数，得到最终参数；
[0015] 步骤六：用网络的输出作为提取到的高层特征，与低层纹理特征和形状特征结合 形成增广特征向量，用数据降维算法PCA对该特征向量进行降维计算，得到所有样本的最 终特征；
[0016] 步骤七：将降维后的特征向量输入支持向量机训练分类器；
[0017] 步骤八：对测试数据按照与之前相同的特征提取方法提取同样的特征，得到所有 测试数据的特征向量，将其输入到分类器中，得到分类结果，统计准确率。
[0018] 需要说明的是：
[0019] 针对不同的图像数据集，深度学习的模型参数的设定往往有很大不同，需要通过 实验确定最佳的参数。
[0020] 本发明的有益效果是：
[0021] 本发明将传统的基于纹理特征的脑肿瘤分类方法与深度学习的框架进行结合，提 出了一种能够从低层纹理特征中提取更高层抽象特征，并据此提高脑肿瘤良恶性分类准确 率的处理模型；本发明具有以下优点：
[0022] 1、与传统的脑肿瘤分类方法相比，本发明不仅考虑了能区分脑肿瘤的纹理特征， 还根据良恶性肿瘤的特性，选择了一种针对脑肿瘤形状而提的同心圆法，用于提取脑肿瘤 的形状特征，进一步提高脑肿瘤识别力；
[0023] 2、与传统的深度学习框架相比，本发明以提取到的多维纹理特征进行输入，而不 像以前的深度学习那样从每一个像素的灰度值来提取特征，在低层纹理特征的基础上，用 深度学习的框架获得更抽象的高层特征，与原来的纹理特征组合起来形成增广特征向量， 使获得的图像特征具有更好的识别度。
【附图说明】
[0024] 图1是本发明提供的基于深度学习的脑肿瘤分类方法流程图；
[0025] 图2是深度学习预训练的原理框图；
[0026] 图3是深度学习微调的原理框图。 具体实现方式
[0027] 本发明提出的基于深度学习的脑肿瘤分类方法具体包括以下步骤：
[0028] 步骤一：浏览患脑肿瘤的N个病人的MRI图像切片，从每一个病人中选取其中脑肿 瘤最大的一层，对其进行去噪、增强等预处理，并将脑肿瘤分割出来，调整得到一组N个脑 肿瘤的灰度图像；
[0029] 步骤二：基于Gabor小波提取脑肿瘤的纹理特征，提取时取尺度数V，方向数U， 利用小波基对一个脑肿瘤的灰度图像提取VXU维的Gabor小波纹理特征向量g 1;1, g1>2，… ，gv;u，把他们连接起来得到Gabor特征向量：
【主权项】
1. 一种基于深度学习的脑肿瘤分类方法，其特征在于，包括以下步骤： 步骤一：浏览患脑肿瘤的病人的磁共振成像（Magnetic Resonance Imaging，MRI)，选 取其中脑肿瘤最大的一层，对其进行去噪、增强等预处理，并将脑肿瘤分割出来； 步骤二：基于Gabor小波提取脑肿瘤的纹理特征，提取不同尺度和方向上的Gabor小波 纹理特征； 步骤三：为每一个肿瘤构造一组k个半径等量增加的同心圆，对每一个半径增量，计算 该圆和肿瘤重叠部分的比例，构成每个肿瘤的k维特征向量； 步骤四：设定整个深度学习模型为包含L个隐层的深度学习网络，将步骤二中的纹理 特征向量作为输入，利用深度学习进行高层特征的提取，首先进行逐层的预训练，利用降噪 自动编码，对输入进行编码解码，调整层与层之间的参数，使原始输入与重建之后的误差最 小，用该参数得到第一个隐层的输出，作为第二个隐层的输入，以此类推，直至得到第L个 隐层深度学习过程后的参数； 步骤五：在预训练的网络最后增加一个输出层，通过有标签的数据，自上而下利用反向 传播和梯度下降方法微调整个网络的参数，得到最终参数； 步骤六：用深度学习网络的输出作为提取到的高层特征，再与低层纹理特征和形状特 征结合形成增广特征向量，用主成成分析（Principal Component Analysis，PCA)对该特征 向量进行降维计算，从而得到所有样本的最终特征； 步骤七：将降维后的特征向量作为输入，放入支持向量机训练分类器； 步骤八：对测试数据按照与之前相同的特征提取方法提取同样的特征，得到所有测试 数据的特征向量，将其输入到分类器中，得到分类结果，统计准确率。
2. 根据权利要求1所述的基于深度学习的脑肿瘤分类方法，其特征在于：所述步骤四 中的所述对纹理特征进行高层特征提取，具体步骤如下： (1) 设定整个深度学习模型为包含L个隐层的深度学习网络，将步骤二中的纹理特征 G1, G2，…，Gn组合得到输入向量X :
(2) 利用深度学习，首先进行逐层的预训练，使用X作为输入向量，首先利用一个参数 为Θ = {W，b}的确定映射y = f 0 (X) = s (Wx+b)将输入X映射为一个隐藏的潜在表示y， 其中W是权重矩阵，b是偏移向量； (3) 得到的潜在表示y又被一个参数为Θ ^ = V }函数z = g0，（y)= s〇T y+V )映射回一个输入空间中的重建向量z，f满足约束条件f =Wt; (4) 每一个训练样本Xi都被映射成为相应的y i，又重构成为Zi，然后通过优化重建模型 参数使平均重建误差最小化：
其中Lh是损失函数，重建交叉熵，即：
(5)利用随机梯度下降调整中间的参数，使原始输入与重建之后的误差最小，得到最佳 的参数，用该参数得到第一个隐层的输出，作为第二个隐层的输入，以此类推，直至得到第L 个隐层深度学习过程后的参数。
3.如权利要求1所述的一种基于深度学习的脑肿瘤分类方法，其特征在于：所述步骤 八中的脑肿瘤分类具体步骤为，将脑肿瘤图像输入到脑肿瘤深度网络，获得脑肿瘤的高层 特征，与纹理特征与形状特征结合形成最后特征向量，输入进支持向量机分类器得到分类 结果。
【专利摘要】本发明公开了一种基于深度学习的脑肿瘤分类方法，在进行脑肿瘤特征提取时，首先利用Gabor小波变换提取脑肿瘤的纹理特征，根据堆叠降噪自动编码来构建深度学习的网络，之后利用深度学习从这些纹理特征中提取出更高层的特征；其次利用同心圆方法提取脑肿瘤的形状特征，与之前通过深度学习提取到的高层特征结合形成增广特征向量，将特征作为输入放入支持向量机中进行训练得到分类器；最后使用同样的方法为测试样本提取特征向量，利用训练得到的分类器对其进行分类；本发明将提高医生的诊断准确率，为脑肿瘤的手术方案制定提供有用的信息。
【IPC分类】G06K9-62
【公开号】CN104834943
【申请号】CN201510268230
【发明人】秦臻, 杨晓明, 蓝天, 秦志光, 黄若菡, 张聪, 陈浩, 肖哲, 徐路路, 陈圆
【申请人】电子科技大学
【公开日】2015年8月12日
【申请日】2015年5月25日