一种基于深度卷积神经网络的先天性巨结肠及同源病的诊断方法

技术领域

本发明涉及医学图像识别的技术领域，尤其涉及到一种基于深度卷积神经网络的先天性巨结肠及同源病的诊断方法。

背景技术

先天性巨结肠是常见的小儿消化道发育畸形之一，由于肠管缺乏神经节细胞，患儿主要表现为顽固性便秘或消化道梗阻。巨结肠同源病是因肠神经元病理改变导致临床症状类似于先天性巨结肠的一类疾病，也可引起儿童便秘。先天性巨结肠及同源病轻则影响患儿的进食而造成营养不良，重则影响患儿的成长发育和生命安全。对先天性巨结肠及同源病的一种诊断方式是实施经肛门直肠粘膜活检乙酰胆碱酯酶染色，对得到的肠染色图像进行分析，进而诊断为阴性、阳性I级、阳性II级和阳性III级四个类别之一。人工分析诊断肠染色图像不仅耗费人力而且需要较多的经验。

而传统的图像特征提取方法结合支持向量机等传统机器学习分类方法对经肛门直肠粘膜活检乙酰胆碱酯酶染色的肠染色图像进行分类训练得到的分类模型效果不佳，原因在于肠染色图像中存在与诊断无关的区域，直接对整张图像进行特征提取并训练，容易让分类模型学习到无用的特征，使训练过拟合。

发明内容

本发明的目的在于克服现有技术的不足，提供一种准确率高的基于深度卷积神经网络的先天性巨结肠及同源病的诊断方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于深度卷积神经网络的先天性巨结肠及同源病的诊断方法，基于深度卷积神经网络对经肛门直肠粘膜活检乙酰胆碱酯酶染色的肠染色图像进行图像分割预处理，剔除与诊断无关且干扰图像分类网络训练的图像区域；另基于另一深度卷积神经网络对经肛门直肠粘膜活检乙酰胆碱酯酶染色且经过图像分割预处理的肠染色图像进行分类，从而实现对先天性巨结肠及同源病的诊断。

进一步地，诊断的具体过程如下：

S1、采集经肛门直肠粘膜活检乙酰胆碱酯酶染色的肠染色图像数据集并对其进行预处理，作为训练数据集；

S2、构建用于图像分割的深度卷积神经网络；

S3、利用训练数据集对图像分割网络进行训练；

S4、构建用于图像分类的深度卷积神经网络；

S5、对训练数据集再次进行预处理；

S6、利用训练数据集对图像分类网络进行训练；

S7、利用训练好的图像分割模型和图像分类模型对经肛门直肠粘膜活检乙酰胆碱酯酶染色的肠染色图像进行分类，实现对先天性巨结肠及同源病的诊断。

进一步地，所述步骤S1中，预处理过程包括对图像数据集打两种标签：一种为图像中感兴趣区域的分割标签，用于图像分割模型的监督训练；另一种为图像的类别标签，用于图像分类模型的监督训练。

进一步地，所述步骤S2中，所构建的用于图像分割的深度卷积神经网络为U-net卷积神经网络，其输入图像的通道数为3，分割种类为1，顶层滤波器数量为64，整个网络仅含有卷积层和池化层，下采样池化与上采样池化均为4次；该网络的输入为肠染色图像及其分割标签，该网络的输出为预测的肠染色图像的分割标签图像。

进一步地，所述步骤S3利用训练数据集对图像分割网络进行训练的具体过程如下：

S3-1、对训练数据集做数据增强，防止训练过拟合；

S3-2、设置卷积神经网络的损失函数、学习率；

S3-3、将训练数据集输入到步骤S2构建的U-net卷积神经网络中；

S3-4、由U-net卷积神经网络参数和损失函数计算得到前向传播损失值；

S3-5、由前向传播损失值反向传播更新U-net卷积神经网络，从而得到训练后的U-net卷积神经网络。

进一步地，所述步骤S4构建用于图像分类的深度卷积神经网络的具体过程如下：

S4-1、剔除ResNet50的全连接层，保留剩下的所有网络层，作为特征提取层；

S4-2、采用经ImageNet预训练过的ResNet50模型参数进行初始化；

S4-3、增加带有4个神经元的全连接层以适应经肛门直肠粘膜活检乙酰胆碱酯酶染色的肠染色图像的类别数量，使用Softmax激活函数得到每种分类对应的概率。

进一步地，所述步骤S5的具体过程包括：

S5-1、将训练数据集中的图像输入到步骤S3中的图像分割网络模型，得到经分割的不含干扰分类训练区域的图像；

S5-2、对步骤S5-1得到的图像进行缩放，以适应图像分类网络的输入大小；

S5-3、对步骤S5-2得到的图像像素值进行归一化。

进一步地，所述步骤S6利用训练数据集对图像分类网络进行训练的具体过程如下：

S6-1、将训练数据集输入到步骤S4构建的深度卷积神经网络；

S6-2、冻结除全连接层以外的其他网络层，仅对全连接层进行训练；

S6-3、待分类准确率的提升程度不显著时，被冻结训练的其他网络层重新参加训练，对模型参数进行微调，进一步提高分类准确率。

进一步地，所述步骤S7具体为：

将待分类图像输入到图像分割模型后进行缩放、归一化，再输入到图像分类模型，得到经肛门直肠粘膜活检乙酰胆碱酯酶染色的肠染色图像的类别，实现先天性巨结肠及同源病的诊断。

与现有技术相比，本方案原理及优点如下：

1、本方案将基于深度卷积神经网络的图像分割操作作为训练数据集预处理的一个环节，在做图像分类训练之前预先将图像中与诊断无关且干扰分类训练的区域去除，避免图像分类训练网络发生过拟合。

2、基于深度卷积神经网络训练得到的图像分类模型，相较与传统的图像特征提取及分类方法，能够获得更高的分类准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于深度卷积神经网络的先天性巨结肠及同源病的诊断方法的原理流程图；

图2为本发明一种基于深度卷积神经网络的先天性巨结肠及同源病的诊断方法中采用到的图像分割网络结构图；

图3为本发明一种基于深度卷积神经网络的先天性巨结肠及同源病的诊断方法中采用到的图像分类网络结构图；

图4为经肛门直肠粘膜活检乙酰胆碱酯酶染色的肠染色图像的样本示例图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

如图1所示，本实施例所述的一种基于深度卷积神经网络的先天性巨结肠及同源病的诊断方法，具体包括如下步骤：

S1、采集经肛门直肠粘膜活检乙酰胆碱酯酶染色的肠染色图像数据集并对其进行预处理，作为训练数据集；

预处理过程包括对图像数据集打两种标签：一种为图像中感兴趣区域的分割标签，用于图像分割模型的监督训练，具体来说，分割标签可以采用标注工具labelme进行；另一种为图像的类别标签，用于图像分类模型的监督训练。

S2、构建用于图像分割的深度卷积神经网络；

所构建的用于图像分割的深度卷积神经网络为U-net卷积神经网络，具体网络结构如图2所示，其输入图像的通道数为3，分割种类为1，顶层滤波器数量为64，整个网络仅含有卷积层和池化层，下采样池化与上采样池化均为4次；该网络的输入为肠染色图像及其分割标签，该网络的输出为预测的肠染色图像的分割标签图像。

S3、利用训练数据集对图像分割网络进行训练，过程如下：

S3-1、对训练数据集做数据增强，防止训练过拟合；

其中，数据增强操作采用Random Flip、Random Rotation；

S3-2、设置卷积神经网络的损失函数、学习率；

S3-3、将训练数据集输入到步骤S2构建的U-net卷积神经网络中；

S3-4、由U-net卷积神经网络参数和损失函数计算得到前向传播损失值；

S3-5、由前向传播损失值反向传播更新U-net卷积神经网络，从而得到训练后的U-net卷积神经网络。

S4、构建如图3所示的用于图像分类的深度卷积神经网络，保留ResNet50中除了全连接层以外的所有网络层，作为特征提取层(Feature Extract Layer)；采用经ImageNet预训练过的ResNet50模型参数进行初始化；增加带有4个神经元的全连接层以适应经肛门直肠粘膜活检乙酰胆碱酯酶染色的肠染色图像的类别数量，使用Softmax激活函数得到每种分类对应的概率。

S5、对训练数据集再次进行预处理；

如图3所示，本步骤的预处理操作包括对训练图像进行图像分割，图像尺寸缩放和像素值归一化。

S6、利用训练数据集对图像分类网络进行训练，训练包括两个阶段，第一阶段冻结除全连接层以外的其他网络层，仅对全连接层进行训练，待分类准确率的提升程度不显著时，进行第二阶段训练，被冻结训练的其他网络层一起参加训练，对模型参数进行微调，进一步提高分类准确率。训练过程中采用的损失函数为多分类交叉熵函数CategoricalCross Entropy Loss，

S7、将待分类图像输入到图像分割模型后进行缩放、归一化，再输入到图像分类模型，得到经肛门直肠粘膜活检乙酰胆碱酯酶染色的肠染色图像的类别，实现先天性巨结肠及同源病的诊断。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。