[發(fā)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?zhí)枺?/td>: 201910555112.6
• 申請日: 2019-06-25
• 公開（公告）號: CN110264462B
• 公開（公告）日: 2022-06-28
• 發(fā)明（設計）人: 楊國武;陳琴;陳祥
• 申請（專利權(quán)）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

本發(fā)明公開了一種基于深度學習的乳腺超聲腫瘤識別方法，其包括以下步驟：S1、對已有病例的乳腺超聲圖像進行良性與惡性標注；S2、對標注后的乳腺超聲圖像進行預處理；S3、采用卷積神經(jīng)網(wǎng)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(shù)據(jù)分別對不同的分類模型進行訓練；S5、采用stacking方法對所有訓練后的分類模型進行融合；S6、將待識別乳腺超聲腫瘤作為融合后的模型的輸入，根據(jù)輸出結(jié)果完成識別。本方法只需放入待識別的乳腺超聲圖像，即可直接獲得圖像識別結(jié)果，識別時間短，并且可通過連接服務器進行診斷，或者直接部署在本地計算機，靈活性較大，界面簡單，也易于上手，對用戶友好。

技術領域

本發(fā)明涉及圖像識別領域，具體涉及一種基于深度學習的乳腺超聲腫瘤識別方法。

背景技術

當給定一張乳腺超聲圖像，醫(yī)生會首先對圖像進行診斷，判定該圖像中是否存在腫瘤以及是否是良性或者惡性腫瘤，從而為之后的治療給出大的方向。現(xiàn)有實現(xiàn)相同功能通常為基于商業(yè)軟件中的醫(yī)療綜合輔助系統(tǒng)給出識別建議。

醫(yī)療綜合輔助系統(tǒng)大致工作原理如下：商業(yè)醫(yī)療綜合輔助系統(tǒng)的提供方根據(jù)自己本地數(shù)據(jù)，使用多種基于決策的過程判定一張圖像是否是良性或者惡性腫瘤，其決策方法一般會根據(jù)輸入圖像基于商業(yè)軟件提供方自帶的手工特征提取，再根據(jù)手工特征對特征進行算法上的處理得到結(jié)果。

該方法的缺點如下：商業(yè)軟件非開源的缺點使得對圖像的判別和診斷過程不是透明的，對圖像的處理無法了解其原理，而且基于多種特征的提取耗費時間，通常判別一張圖像需要等待較長時間，并且無法利用新的數(shù)據(jù)學習新的模式，使得判別水平始終都是同樣的，不利于長期使用。

發(fā)明內(nèi)容

針對現(xiàn)有技術中的上述不足，本發(fā)明提供的一種基于深度學習的乳腺超聲腫瘤識別方法解決了現(xiàn)有乳腺超聲腫瘤識別速度慢的問題。

為了達到上述發(fā)明目的，本發(fā)明采用的技術方案為：

提供一種基于深度學習的乳腺超聲腫瘤識別方法，其包括以下步驟：

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(jīng)網(wǎng)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(shù)據(jù)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(jù)輸出結(jié)果完成識別。

進一步地，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(shù)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。

進一步地，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(tǒng)一處理，得到統(tǒng)一尺寸的圖像；

S2-2、對統(tǒng)一尺寸后的圖像以0.4的概率做隨機鏡像翻轉(zhuǎn)，并以0.4的概率做隨機上下翻轉(zhuǎn)，將翻轉(zhuǎn)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。

進一步地，步驟S3的具體方法包括以下子步驟：