[發明專利]全息微波乳房腫塊識別方法及識別系統

在審

• 申請號: 201911021127.0
• 申請日: 2019-10-25
• 公開（公告）號: CN110782444A
• 公開（公告）日: 2020-02-11
• 發明（設計）人: 王露露
• 申請（專利權）人: 深圳技術大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 11595 北京科石知識產權代理有限公司
• 代理人: 李艷霞

1.一種全息微波乳房腫塊識別方法，其特征在于，包括以下步驟：

分別獲取無乳房腫塊的HM彩色樣本圖像和有乳房腫塊的HM彩色樣本圖像；

對無乳房腫塊的HM彩色樣本圖像和有乳房腫塊的HM彩色樣本圖像進行擴增，并利用擴增后的圖像構建訓練集和測試集；

構建深度卷積神經網絡模型；

調節深度卷積神經網絡模型的結構參數，利用訓練集對各個結構參數的深度卷積神經網絡模型進行訓練，獲得所需乳房腫塊識別準確率的深度卷積神經網絡模型；

使用所需乳房腫塊識別準確率的深度卷積神經網絡模型對測試集進行乳房腫塊識別測試，獲取帶有乳房腫塊的HM圖像。

2.根據權利要求1所述的全息微波乳房腫塊識別方法，其特征在于，還包括以下步驟：

對帶有乳房腫塊的HM圖像中的乳房腫塊進行二次分類篩查。

3.根據權利要求1或2所述的全息微波乳房腫塊識別方法，其特征在于，所述對無乳房腫塊和有乳房腫塊的HM彩色樣本圖像進行擴增，并利用擴增后的圖像構建訓練集和測試集的具體過程為：

分別獲取無乳房腫塊和有乳房腫塊的HM彩色樣本圖像的病人信息以及圖像的長、寬、高和像素信息；

將獲取的無乳房腫塊和有乳房腫塊的HM彩色樣本圖像轉化為灰度圖像，并對灰度圖像進行圖像歸一化預處理，提取特征；

對預處理完成的無乳房腫塊和有乳房腫塊的HM灰度圖像進行擴增，并利用擴增后的圖像構建訓練集和測試集。

4.根據權利要求1或2所述的全息微波乳房腫塊識別方法，其特征在于，所述構建深度卷積神經網絡模型的具體過程為；

構建基于深度卷積神經網絡的無乳房腫塊和有乳房腫塊識別模型；

根據基于深度卷積神經網絡的無乳房腫塊和有乳房腫塊識別模型，設計深度卷積神經網絡模型；其中，深度卷積神經網絡模型包含卷積層、池化層和全連接層。

5.根據權利要求4所述的全息微波乳房腫塊識別方法，其特征在于，所述基于深度卷積神經網絡的無乳房腫塊和有乳房腫塊識別模型包括輸入模塊、特征學習模塊、圖像分類模塊和輸出模塊；

所述特征學習模塊包括三層卷積單元，第一層和第二層卷積單元均包括卷積層、批量標準化層、激勵層和池化層，第三層卷積單元包括卷積層、批量標準化層和激勵層；其中，激勵層使用ReLU函數；

圖像分類模塊包括全連接層和SoftMax分類函數；

所述卷積層通過不同數量和大小的卷積核對輸入的乳房HM圖像進行卷積操作，并提取特征圖；在卷積過程中，以二維乳房HM圖像作為輸入數據，將卷積核移到整個二維乳房HM圖像上，生成最終圖像；

卷積操作過程為：

式中，C(x，y)為卷積層輸出矩陣中的元素，A(x，y)為卷積層輸入矩陣中的元素，B(i，j)為卷積核中的元素，x為矩陣中的第x行，y為矩陣中的第y列，i為卷積核中的第i行，j為卷積核中的第j列，M為輸入矩陣的大小，N為卷積核的大小；

提取的特征圖為：

O_s＝∑_rW_s*X_r+b_s，

式中，W_s表示內核，*表示卷積運算符，X_r為第r個特征圖的輸入值，r為自然數，b_s是偏壓項；

所述池化層的池化過程為：

U(x′，y′)＝max(R(x+m，y+n))，

式中，U(x′，y′)為池化層輸出矩陣中的元素，m，n為[0，ΔI]中的整數，ΔI是下采樣的步長，為有限的正整數，在池化層后構建歸一化層，將U(x′，y′)規范得到歸一化層輸出矩陣中的元素，

式中，V(x，y)為歸一化層輸出矩陣中的元素；σ為縮放常數，σ＝0.0001；u為指數常數，u＝0.75；M為輸入矩陣的通道數；U_c(x，y)表示池化層輸出的結果；

所述全連接層處理池化層的輸出，以0.3-0.5的概率舍棄全連接層中的元素。