1.基于CNN和NLSTM神经网络应用于CT影像的颅内出血检测算法,其特征在于:所述方法为:步骤一:从dicom格式的医学CT影像得到CT图像值:
dicom格式的图片要转化成CT图像值,转化公式如下:
imagehu=pixel×Rescaleslope+Rescaleintercept其中,imagehu为CT图像值,又称hu值;pixel为dicom影像的像素值,Rescaleslope为缩放截距,Rescaleintercept为缩放斜率;
步骤二:Windowing操作
对步骤一得到的CT图像值进行windowing操作,使用的窗口如下:Brain window:[40,
80],Subdural window:[80,200],Bone window:[40,380],其中,方括号内第一位数字表示窗位,第二位数字表示窗宽;
步骤三:转化成jpg图像
Windowing操作完之后再进行归一化使得图像的像素值在[0,1]之间,将图片的像素值与255相乘得到[0,255]之间的值,随后使用opencv的imwrite()函数生成.jpg图像;
步骤四、训练CNN神经网络
预训练网络模型是ResNeXt101神经网络,数据集使用步骤三得到的jpg图像,并且在训练过程中对jpg图像做数据增强处理,使用的函数库为Albumentations函数库;
在训练过程中使用的损失函数是交叉熵损失,其公式如下:
其中,L为交叉熵损失,N为一个batchsize的样本数量,i为样本,yi为第i个样本的标签,xi为当前模型第i个样本的预测值;
使用的深度学习框架是Pytorch,使用的是torch.nn.BCEWithLogitsLoss()函数,该函数包括了交叉熵损失和SIGMOD函数;通过计算损失反向传播调整网络参数,得到训练好的网络参数;
步骤五:提取图片的embedding
通过步骤四中训练好的网络结构和参数,提取图片的embedding,将图片进行特征提取,从而将每一张图片映射成一个2048维的向量,并保存到.npz文件中,另外,将dataloader数据帧信息也保存到文件中;
步骤六:创建序列信息
根据数据集中给定的图像的数据标签创建序列信息,序列信息包括以下几个字段:PatientID,SliceID,Image,seq,PatientID代表病人的ID,是每个病人的唯一标识,SliceID代表CT图像的序列ID,每个病人对应一个sliceID,Image代表图片的ID,是每张图片的唯一标识,seq代表该图片的序列信息,seq为0代表的是这张图片是该序列的第一张CT影像,范围为[0,60];
步骤七:读取数据帧信息和embedding并生成dataloader将步骤四中保存下来的数据帧信息和embedding读取出来,生成新的dataloader,以一个序列作为NLSTM的输入,对于序列长度不同的batch,使用零位虚拟embedding进行填充到相同的长度,在损失函数计算之前将虚拟信息清除掉;
步骤八:训练NLSTM网络
在NLSTM中,使用一个新的内部记忆函数mt得到ct,新的ct函数的公式为:ct=mt(ft⊙ct-1,it⊙gt)
其中,mt为记忆函数状态m在t时刻的内部记忆,通过这个函数状态得到ct和mt+1,mt+1是记忆函数状态m在时间t+1的内部记忆,使用另一个LSTM实现这个内部记忆函数,并设定这样就形成了Nested LSTM(NLSTM);
NLSTM中的内部记忆函数的输入和隐藏状态为:
其中, 为内部记忆函数的隐层传递状态, 为内部记忆函数的输入,σc为tanh函数,Wxc为外部xt的权重,ht-1为t-1时刻的隐层传递状态,Whc为ht-1的权重,bc为偏置项;
在训练过程中使用和训练CNN网络相同的损失函数torch.nn.BCEWithLogitsLoss()作为损失计算,在训练过程中,用一个序列作为一个batch,当loss不再下降时,NLSTM网络训练完成;
步骤九:生成预测文件
网络训练好了之后,针对测试集,生成预测的csv文件,进行指标测试。
2.根据权利要求1所述的基于CNN和NLSTM神经网络应用于CT影像的颅内出血检测算法,其特征在于:步骤四中,所述数据增强处理为Flip、Normalize或RandomCrop中的一种。