[發明專利]基于輕量級神經網絡的乳腺鉬靶圖像深度學習分類方法

有效

• 申請號: 201711343994.7
• 申請日: 2017-12-15
• 公開（公告）號: CN108052977B
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 時鵬;鐘婧
• 申請（專利權）人: 福建師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/34
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊;丘鴻超

1.一種基于輕量級神經網絡的乳腺鉬靶圖像深度學習分類方法，其特征在于：包括如下步驟，

(I)對已知密度分類的乳腺鉬靶數據集中所有原始圖像進行像素灰度梯度權重計算，得到對應的梯度權重圖；具體實現過程如下：

a)從上至下、從左至右遍歷圖像每個像素，計算每個像素與水平方向和垂直方向的相鄰像素之間的差值，并將得到的兩個差值相加，得到包含水平和垂直方向變化信息的梯度；

b)單個像素的梯度權值為其梯度的倒數，所有像素的梯度權值組成與原始圖像大小一致的梯度權值圖像；

(II)對所述梯度權重圖進行封閉區域的侵蝕和膨脹操作，去除圖像中的人工干擾物，得到僅包含乳房與胸部肌肉的前景區域圖像；

(III)對所述已知密度分類的乳腺鉬靶數據集中所有原始圖像與其對應的前景區域圖像相融合，得到僅包含胸部肌肉和乳腺的圖像訓練集；

(IV)構建基于輕量級神經網絡的深度學習框架，共包含12層，按照順序依次包含一個輸入層、一個含卷積核并采用修正線性單元激活函數的卷積層、一個含卷積核并采用最大采樣函數的池化層、一個含卷積核并采用ReLU激活函數的卷積層、一個含卷積核并采用Maxpooling的池化層、一個含卷積核并采用ReLU激活函數的卷積層、一個含卷積核并采用Maxpooling的池化層、一個數據平面化層、一個64位全連接層、一個丟棄比例為0.5的數據丟棄層、一個4位全連接層、以及一個采用歸一化指數激活函數的激活層作為輸出層；

(V) 對所述的訓練集圖像經過樣本擴展增加至深度學習框架，由神經網絡自動計算分類結果并與真實分類進行比較，所得誤差反饋至神經網絡中對各卷積核參數進行修正，訓練集圖像經過修正后的網絡重新計算分類結果并與真實分類進行比較，誤差反饋至神經網絡進行修正，如此循環200次，完成訓練過程；

(VI)對未分類的圖像進行像素灰度梯度權重計算，得到對應的梯度權重圖；具體實現過程如下：

a)從上至下、從左至右遍歷圖像每個像素，計算每個像素與水平方向和垂直方向的相鄰像素之間的差值，并將得到的兩個差值相加，得到包含水平和垂直方向變化信息的梯度；

b)單個像素的梯度權值為其梯度的倒數，所有像素的梯度權值組成與原始圖像大小一致的梯度權值圖像；

(VII)對所述未分類圖像的梯度權重圖進行封閉區域的侵蝕和膨脹操作，去除圖像中的人工干擾物，得到僅包含乳房與胸部肌肉的前景區域圖像；

(VIII)對所述的未分類原始圖像與其對應的前景區域圖像相融合，得到僅包含胸部肌肉和乳腺的測試圖像；

(IX)對所述的測試圖像輸入至完成訓練的神經網絡，由神經網絡自動計算分類結果，完成測試過程。

2.根據權利要求1所述的方法，其特征在于：所述步驟(II)的具體實現過程如下：

a)對梯度權重圖進行侵蝕操作，以大小為5個像素的菱形為結構元素對象，對圖像封閉區域的邊緣進行侵蝕操作，去除圖像中寬度小于10個像素的線性物體，將包含乳房與胸部肌肉的前景區域與人工干擾物分隔開來；

b)對去除寬度小于10個像素的線性物體后的梯度權值圖像進行膨脹操作，以大小為5個像素的菱形為結構元素對象，對圖像封閉區域的邊緣進行膨脹操作，恢復圖像中主體結構的原有邊界；

c)由于乳房與胸部肌肉區域是鉬靶圖像主體結構，保留梯度權值圖像中面積最大的結構，即為僅包含乳房與胸部肌肉的前景區域，該區域的邊界即前景和背景之間邊界。

3.根據權利要求1所述的方法，其特征在于：所述步驟(III)的具體實現過程如下：

a) 將二值化的僅包含乳房與胸部肌肉的前景區域圖像Mask變換為相應原始圖像的位數；

b)將乳腺鉬靶數據集中所有原始圖像與其一一對應的同樣尺寸的前景區域圖像進行矩陣點乘操作，點乘操作后的矩陣即為前景圖像；

c)對數據庫中所有圖像重復進行點乘操作，得到僅包含胸部肌肉和乳腺的圖像訓練集。