[發明專利]一種乳腺X光圖像的乳腺腫塊信息提取及分類方法

在審

• 申請號: 201810530455.2
• 申請日: 2018-05-29
• 公開（公告）號: CN108830282A
• 公開（公告）日: 2018-11-16
• 發明（設計）人: 高婧婧
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08;G16H30/20;G16H50/20
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 何凡

1.一種乳腺X光圖像的乳腺腫塊信息提取及分類方法，其特征在于，包括以下步驟：

S1、將乳腺X光圖像輸入四個并行卷積神經網絡；

S2、基于四個并行卷積神經網絡提取乳腺X光圖像的高層語義特征；

S3、對提取的高層語義特征進行多標簽多任務學習網絡訓練，并得到乳腺腫塊的分類信息。

2.根據權利要求1所述的乳腺X光圖像的乳腺腫塊信息提取及分類方法，其特征在于，所述步驟S2中：

每個所述并行卷積神經網絡均包括兩個卷積層、兩個最大池化層和一個全連接層；網絡順序為依次為卷積層、池化層、卷積層、池化層和全連接層；

每個所述卷積層包括6個5×5的卷積核，每個所述池化層包括1個2×2的核，所述全連接層的尺寸為192×1；

每個所述卷積神經網絡均提取192個乳腺X光圖像的特征，將每個所述卷積神經網絡提取的192個特征表示為一組高層語義特征向量，分別為X₁,X₂,X₃和X₄。

3.根據權利要求2所述的乳腺X光圖像的乳腺腫塊信息提取及分類方法，其特征在于，所述多標簽多任務網絡的搭建方法具體為：

將4組所述高層語義特征向量X₁,X₂,X₃和X₄，分別作為多標簽多任務學習中用于獲得分類預估值的4個激勵函數的輸入值，將分類預估值與實際標簽之間的關系作為多標簽多任務學習的目標函數，對該目標函數求極小值，并利用隨機梯度下降法對目標函數進行網絡訓練，獲得多標簽多任務網絡的所有核函數的取值和偏移值，實現多標簽多任務網絡的搭建；

所述激勵函數為softmax函數或ReLU函數。

4.根據權利要求3所述的乳腺X光圖像的乳腺腫塊信息提取及分類方法，其特征在于，所述步驟S3中：

多標簽多任務網絡中的分類任務包括乳腺腫塊形狀的分類任務、乳腺腫塊邊緣的分類任務、乳腺腫塊BI-BADS分級的分類任務和乳腺腫塊良惡性的分類任務；

在所述乳腺腫塊形狀的分類任務中，分類的標簽為：

Y₁＝[-7,-6,-5,-4,-3,-2,-1,1,2,3,4,5,6,7]

分別對應乳腺腫塊的14種形狀；

在所述乳腺腫塊邊緣的分類任務中，分類的標簽為：

Y₂＝[-9,-8,-7,-6,-5,-4,-3,-2,-1,1,2,3,4,5,6,7,8,9]

分別對應乳腺腫塊的18種不同邊緣；

在所述乳腺腫塊BI-BADS分級的分類任務中，分類的標簽為：

Y₃＝[0,1,2,3,4,5,6]

分別對應乳腺腫塊在BI-BADS標準中的7種不同分值；

在所述乳腺腫塊的良惡性的分類任務中，分類標簽為：

Y₄＝[1,2,3]

分別對應乳腺腫塊的良性、惡性和可疑待定三類。

5.根據權利要求3所述的乳腺X光圖像的乳腺腫塊信息提取及分類方法，其特征在于，在所述多標簽多任務網絡的目標函數包括總損失函數L(W,b)和第j個任務的損失函數L_i，j(W,b)；

總損失函數L(W,b)為：

式中，L_j為第j個任務的損失函數，λ_j為第j個任務的損失函數的損失權重，其中，j＝1,2,3,4；分別為腫塊形狀分類任務，腫塊邊緣分類任務，腫塊BI-BADS分級分類任務和腫塊良惡性分類任務；

第j個任務的損失函數L_i，j(W,b)定義為：

其中，N為訓練樣本的總數目；

i表示第i個樣本；

x_yk表示第j個任務中經過卷積神經網絡的全連接層后預測為第k個標簽值的輸出值；

C_j表示第j個任務的標簽數目。

6.根據權利要求5所述的乳腺X光圖像的乳腺腫塊信息提取及分類方法，其特征在于，所述總損失函數L中，第j個任務的損失函數的損失權重λ_j分別為和1；

所述第j個任務的損失函數L_i，j中，第j個任務的標簽數目C_j分別為14，18，7，3。