[發明專利]一種基于深度學習的乳腺超聲腫瘤識別方法

有效

• 申請號: 201910555112.6
• 申請日: 2019-06-25
• 公開（公告）號: CN110264462B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 楊國武;陳琴;陳祥
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06K9/62
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李夢蝶

1.一種基于深度學習的乳腺超聲腫瘤識別方法，其特征在于，包括以下步驟：

S1、對已有病例的乳腺超聲圖像進行良性與惡性標注，得到標注后的乳腺超聲圖像；

S2、對標注后的乳腺超聲圖像進行預處理，得到預處理后的圖像；

S3、采用卷積神經網絡模型獲取預處理后的圖像的特征；

S4、將獲取的特征及對應的標注作為訓練數據分別對不同的分類模型進行訓練，得到訓練后的分類模型；

S5、采用stacking方法對所有訓練后的分類模型進行融合，得到融合后的模型；

S6、將待識別乳腺超聲腫瘤作為融合后的模型的輸入，根據輸出結果完成識別；

步驟S4的具體方法包括以下子步驟：

S4-1、將獲取的特征的80%作為訓練集，10%作為開發集以及10%作為測試集；

S4-2、將訓練集與開發集進行n折交叉驗證劃分，得到交叉驗證劃分后的數據；

S4-3、將交叉驗證劃分后的數據分別作為邏輯回歸模型、SVM模型和深度神經網絡模型的訓練集并對其進行訓練，得到訓練后的邏輯回歸模型、SVM模型和深度神經網絡模型；

S4-4、采用測試集對訓練后的邏輯回歸模型、SVM模型和深度神經網絡模型進行測試，若測試合格則輸出對應的模型，否則返回步驟S4-3；

其中步驟S4-2的具體方法為：

將訓練集與開發集進行6折交叉驗證劃分，其中每一折交叉驗證劃分數據對應的訓練集保持六分之一的不同，并使每折交叉驗證劃分數據所包含的開發集不同。

2.根據權利要求1所述的基于深度學習的乳腺超聲腫瘤識別方法，其特征在于，所述步驟S1的具體方法包括以下子步驟：

S1-1、獲取并將已有病例的乳腺超聲圖像的私人信息去除，得到僅保留圖像信息的乳腺超聲圖像；

S1-2、將僅保留圖像信息的乳腺超聲圖像隨機打亂順序，并采用數值化ID對其進行編號，得到編號后的乳腺超聲圖像；

S1-3、對編號后的乳腺超聲圖像進行良性與惡性標注，得到標注后的乳腺超聲圖像。

3.根據權利要求1所述的基于深度學習的乳腺超聲腫瘤識別方法，其特征在于，所述步驟S2的具體方法包括以下子步驟：

S2-1、采用雙線性插值算法對標注后的乳腺超聲圖像進行圖像尺寸大小統一處理，得到統一尺寸的圖像；

S2-2、對統一尺寸后的圖像以0.4的概率做隨機鏡像翻轉，并以0.4的概率做隨機上下翻轉，將翻轉后的圖像作為新的樣本完成圖像增廣，得到預處理后的圖像。

4.根據權利要求1所述的基于深度學習的乳腺超聲腫瘤識別方法，其特征在于，所述步驟S3的具體方法包括以下子步驟：

S3-1、根據卷積神經網絡模型的輸出層形狀和卷積核大小調整通過卷積核后的圖像的大小，得到卷積處理后的圖像；

S3-2、通過池化層對卷積處理后的圖像中相鄰的四個不同元素做池化運算，使每四個相鄰元素縮減為一個，得到縮減后的圖像；

S3-3、將縮減后的圖像送入激活函數層，并對其進行三次卷積-池化處理，得到與該圖像對應的特征維度；其中三次卷積-池化處理中采用的卷積核大小分別為128、256和512，卷積核的高和寬的步長均為1；

S3-4、將得到的特征維度拉伸為一個向量，得到預處理后的圖像的特征向量，即預處理后的圖像的特征。