本發(fā)明涉及醫(yī)學圖像分類，特別是涉及一種基于深度學習的唾液腺腫瘤超聲圖像分類方法。

背景技術(shù)：

1、唾液腺腫瘤(sgts)因發(fā)病率和臨床行為的多樣性，使診斷和治療具有挑戰(zhàn)性。腮腺(pg)腫瘤最常見，占主要唾液腺腫瘤的約80％，大多為良性。頜下腺(smg)和舌下腺(slg)惡性腫瘤發(fā)生率較高，分別為41％-45％和70％-90％。手術(shù)切除是主要治療方法，良性腮腺腫瘤通常采用部分切除等方法，惡性腫瘤需全腺體切除以確保安全邊緣，減少復(fù)發(fā)。術(shù)前準確診斷對手術(shù)方案的制定和預(yù)后至關(guān)重要，術(shù)前超聲作為一種準確、便捷、無創(chuàng)的技術(shù)，廣泛用于唾液腺腫瘤的診斷。良性腫瘤通常邊界清晰，而惡性腫瘤則表現(xiàn)為不規(guī)則和高血管化。然而，有時特征重疊導致診斷不確定，需依賴醫(yī)生經(jīng)驗。因此，需要新的方法提高超聲診斷的特異性和效率。

2、近年來，深度學習(dl)模型在醫(yī)學影像中廣泛應(yīng)用，卷積神經(jīng)網(wǎng)絡(luò)(cnn)因能提取成像特征而在醫(yī)學圖像處理中最常用。dl模型處理大規(guī)模醫(yī)學圖像數(shù)據(jù)，能識別出比人眼更豐富的信息，如腫瘤的強度、形狀、大小和紋理等。但dl模型在超聲診斷唾液腺腫瘤中的應(yīng)用研究較少，原因是超聲診斷歷史較短、惡性腫瘤罕見及成像數(shù)據(jù)不足。

技術(shù)實現(xiàn)思路

1、針對上述問題，本發(fā)明提供了一種基于深度學習的唾液腺腫瘤超聲圖像分類方法，可有效提高區(qū)分良性和惡性唾液腺腫瘤中的診斷效率。

2、本發(fā)明的技術(shù)方案如下：

3、一種基于深度學習的唾液腺腫瘤超聲圖像分類方法，包括以下步驟：

4、s1、對已有病理確診的病例的唾液腺超聲圖像進行良性與惡性標注，得到標注后的唾液腺超聲圖像；

5、s2、對標注后的唾液腺超聲圖像進行數(shù)據(jù)格式轉(zhuǎn)換、數(shù)據(jù)脫敏、數(shù)據(jù)劃分和數(shù)據(jù)增強預(yù)處理，得到預(yù)處理后的圖像；

6、s3、采用resnet50d模型作為基礎(chǔ)模型，采用foca?l?loss函數(shù)作為損失函數(shù)；

7、s4、通過反復(fù)迭代進行深度學習訓練resnet50d模型，調(diào)整參數(shù)，輸出評估結(jié)果符合預(yù)設(shè)要求的模型；

8、s5、基于訓練完成的resnet50d模型，輸入待識別唾液腺超聲圖像，根據(jù)輸出結(jié)果完成識別。

9、在進一步的技術(shù)方案中，步驟s1中，對已有病理確診的病例的唾液腺超聲圖像以jpg格式儲存，再進行良性與惡性標注。

10、在進一步的技術(shù)方案中，步驟s2中，對標注后的唾液腺超聲圖像進行預(yù)處理時具體包括以下步驟：

11、s21、對標注后的唾液腺超聲圖像進行尺寸大小統(tǒng)一處理，得到統(tǒng)一尺寸的圖像；

12、s22、通過裁剪保留唾液腺超聲圖像部分，刪除圖像外的標注信息以及數(shù)據(jù)來源信息；

13、s23、按照訓練集：驗證集為6:4的比例進行劃分，采用5折交叉驗證的方法，在劃分數(shù)據(jù)時，保證同一患者的所有圖像都在同一折數(shù)據(jù)集內(nèi)；

14、s24、對所有唾液腺超聲圖像數(shù)據(jù)通過90°、180°、270°旋轉(zhuǎn)及水平翻轉(zhuǎn)進行數(shù)據(jù)增強。

15、在進一步的技術(shù)方案中，步驟s3中，所述resnet50d模型由四類通道數(shù)不同的殘差塊(res?i?dua?l?b?l?ocks)堆疊組成，共包含49個卷積層和一個全連接層。

16、在進一步的技術(shù)方案中，步驟s4中，反復(fù)迭代進行深度學習訓練resnet50d模型時具體包括以下步驟：

17、s41、采用在imagenet數(shù)據(jù)集上預(yù)訓練的權(quán)重初始化resnet50d模型；

18、s42、初始化的resnet50d模型在pytorch框架下，使用adamw優(yōu)化器進行訓練，學習率為0.001，權(quán)重衰減為1e-4，批量大小為32，默認訓練迭代次數(shù)為200。

19、在進一步的技術(shù)方案中，步驟s4中，對resnet50d模型進行的所有迭代深度學習訓練的過程均使用單個nvid?ia?geforce?rtx3090?gpu進行。

20、在進一步的技術(shù)方案中，步驟s4中，采用評價指標包括accuracy、sens?it?i?v?ity、spec?i?f?i?c?ity、ppv、npv、f1-score、reca?l?l和auc進行任務(wù)評價,調(diào)整模型的閾值，以得到符合預(yù)設(shè)要求的模型。

21、在進一步的技術(shù)方案中，步驟s4中，在對resnet50d模型通過反復(fù)迭代進行深度學習訓練時，采用隨機欠采樣方法抽取唾液腺超聲圖像數(shù)據(jù)，以減少良性樣本的數(shù)量，使得良性和惡性樣本的比例趨于平衡。

22、在進一步的技術(shù)方案中，所述唾液腺腫瘤超聲圖像包括腮腺腫瘤超聲圖像、頜下腺腫瘤超聲圖像和舌下腺腫瘤超聲圖像。

23、本發(fā)明的有益效果是：

24、1、本發(fā)明提供了一種基于深度學習的唾液腺腫瘤超聲圖像分類方法，適用于腮腺、頜下腺、舌下腺腫瘤，以深度學習中的resnet50d模型作為基礎(chǔ)模型，并在模型中采用了foca?l?loss損失函數(shù)，對網(wǎng)絡(luò)結(jié)構(gòu)進行改良以適應(yīng)唾液腺腫瘤超聲圖像的良惡性分類任務(wù)，提高分類的準確率；

25、2、本發(fā)明針對唾液腺超聲圖像對模型做出了適應(yīng)性的調(diào)整，并采用評價指標包括accuracy、sens?it?i?v?ity、spec?i?f?i?c?ity、ppv、npv、f1-score、reca?l?l和auc進行任務(wù)評價,調(diào)整模型的閾值，得到評估結(jié)果最好的模型，該模型能夠幫助醫(yī)生進行唾液腺腫瘤的快速、準確的診斷，減少醫(yī)生的工作量，提高診斷的可信度，同時有望改善患者預(yù)后。

技術(shù)特征：

1.一種基于深度學習的唾液腺腫瘤超聲圖像分類方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于深度學習的唾液腺腫瘤超聲圖像分類方法，其特征在于，步驟s1中，對已有病理確診的病例的唾液腺超聲圖像以jpg格式儲存，再進行良性與惡性標注。

3.根據(jù)權(quán)利要求1所述的基于深度學習的唾液腺腫瘤超聲圖像分類方法，其特征在于，步驟s2中，對標注后的唾液腺超聲圖像進行預(yù)處理時具體包括以下步驟：

4.根據(jù)權(quán)利要求1所述的基于深度學習的唾液腺腫瘤超聲圖像分類方法，其特征在于，步驟s3中，所述resnet50d模型由四類通道數(shù)不同的殘差塊堆疊組成，共包含49個卷積層和一個全連接層。

5.根據(jù)權(quán)利要求1所述的基于深度學習的唾液腺腫瘤超聲圖像分類方法，其特征在于，步驟s4中，反復(fù)迭代進行深度學習訓練resnet50d模型時具體包括以下步驟：

6.根據(jù)權(quán)利要求5所述的基于深度學習的唾液腺腫瘤超聲圖像分類方法，其特征在于，步驟s4中，對resnet50d模型進行的所有迭代深度學習訓練的過程均使用單個nvidiageforce?rtx3090?gpu進行。

7.根據(jù)權(quán)利要求1所述的基于深度學習的唾液腺腫瘤超聲圖像分類方法，其特征在于，步驟s4中，采用評價指標包括accuracy、sensitivity、specificity、ppv、npv、f1-score、recal?l和auc進行任務(wù)評價,調(diào)整模型的閾值，以得到符合預(yù)設(shè)要求的模型。

8.根據(jù)權(quán)利要求1所述的基于深度學習的唾液腺腫瘤超聲圖像分類方法，其特征在于，步驟s4中，在對resnet50d模型通過反復(fù)迭代進行深度學習訓練時，采用隨機欠采樣方法抽取唾液腺超聲圖像數(shù)據(jù)，以減少良性樣本的數(shù)量，使得良性和惡性樣本的比例趨于平衡。

9.根據(jù)權(quán)利要求1-8中任意一項所述的基于深度學習的唾液腺腫瘤超聲圖像分類方法，其特征在于，所述唾液腺腫瘤超聲圖像包括腮腺腫瘤超聲圖像、頜下腺腫瘤超聲圖像和舌下腺腫瘤超聲圖像。

技術(shù)總結(jié)
本發(fā)明公開了一種基于深度學習的唾液腺腫瘤超聲圖像分類方法，包括以下步驟：對已有病理確診的病例的唾液腺超聲圖像進行良性與惡性標注，得到標注后的唾液腺超聲圖像；對標注后的唾液腺超聲圖像進行數(shù)據(jù)格式轉(zhuǎn)換、數(shù)據(jù)脫敏、數(shù)據(jù)劃分和數(shù)據(jù)增強預(yù)處理；采用ResNet50d模型作為基礎(chǔ)模型，采用Foca?l?Loss函數(shù)作為損失函數(shù)；通過反復(fù)迭代進行深度學習訓練模型，調(diào)整參數(shù)，輸出評估結(jié)果最好的模型；基于訓練完成的模型，輸入待識別唾液腺超聲圖像，根據(jù)輸出結(jié)果完成識別。本發(fā)明基于ResNet50d模型進行唾液腺腫瘤超聲圖像分類，并在模型中采用了Foca?l?Loss損失函數(shù)，以適應(yīng)特征差異較小的樣本，提高了分類的準確性，能夠輔助醫(yī)生進行快速、準確的診斷，具有一定的臨床使用潛能。

技術(shù)研發(fā)人員：周雪兒,何佳潞,胡義林,朱桂全,潘劍
受保護的技術(shù)使用者：四川大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19