[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

本申請提供了一種全息微波乳房腫塊識別方法及識別系統，識別方法包括以下步驟：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。本申請能夠有效地提高乳房腫塊檢測的靈敏度和準確率。

技術領域

本申請屬于微波成像技術領域，具體涉及一種全息微波乳房腫塊識別方法及識別系統。

背景技術

微波成像是一種新的生物醫學成像方法。研究表明，全息微波(holographicmicrowave，HM)具有腫瘤檢測靈敏度高的優點，為乳腺癌的早期診斷提供了可能。隨著HM技術在生物影像領域的推廣應用，人們對高清晰HM圖像和快速成像的需求日益增長。但因受制于算法和成像系統設計的缺陷，HM成像依然存在諸多不足，如成像掃描時間長、計算成本高、圖像分辨率低、噪聲干擾等。直接掃描獲取三維圖像數據的成本較高，從二維圖像重構三維立體圖像是常用的方法，但圖像質量沒有保障，經常不能滿足人們的需求。

深度學習是生物醫學成像領域的前沿技術，已成功應用于生物醫學圖像分類。卷積神經網絡(CNN)是深度學習的一種，可用于生物醫學圖像分類。CNN體系結構需要大量的訓練數據集，這使得對醫療圖像進行分類變得更加困難，因為創建專業標記的訓練數據集需要花費大量的時間和人力。當只涉及到小的訓練數據集時，CNN可能會過度適應和挑戰學習最佳的圖像特征。膚淺的CNN過于籠統，無法捕捉到這些圖像之間的細微差別；而深度神經網絡(DNN)可能對細微差別變得高度敏感，但無法捕捉到這些圖像之間的整體相似性。

發明內容

為至少在一定程度上克服相關技術中存在的問題，本申請提供了一種全息微波乳房腫塊識別方法及識別系統。

根據本申請實施例的第一方面，本申請提供了一種全息微波乳房腫塊識別方法，其包括以下步驟：

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。

上述全息微波乳房腫塊識別方法還包括以下步驟：

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。

上述全息微波乳房腫塊識別方法中，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。

上述全息微波乳房腫塊識別方法中，所述構建深度卷積神經網絡模型的具體過程為；