[發明專利]一種用于乳腺腫瘤檢測的神經網絡及其檢測系統

有效

• 申請號: 202010330974.1
• 申請日: 2020-04-24
• 公開（公告）號: CN111554383B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 謝曉青;何蕓蕓;馬貝;李世維;高爽;容若文;張國旺
• 申請（專利權）人: 浙江杜比醫療科技有限公司
• 主分類號: G16H30/40
• 分類號: G16H30/40;G16H10/60;G06T7/136;G06T7/13;G06T7/00;G06T5/50;G06N3/08
• 代理公司: 常州市權航專利代理有限公司 32280
• 代理人: 朱鑫樂

1.一種用于乳腺腫瘤檢測的神經網絡，其特征在于，通過以下步驟進行訓練：

S1、獲取臨床數據，所述臨床數據包括訓練數據集，所述訓練數據集包括乳腺特征和診斷結果，對乳腺特征進行多源特征融合后得到乳腺特征向量；

S2、將所述訓練數據集的乳腺特征向量作為輸入，將所述訓練數據集的診斷結果作為輸出，利用GA算法計算神經網絡的初始權值；

S3、利用所述訓練數據集對神經網絡進行訓練；

步驟S1具體包括以下步驟：

S11、獲取患者的基本信息，所述基本信息包括乳腺的診斷結果；

S12、采集B組A個近紅外燈照射下的乳腺圖像和兩幀暗圖像，對乳腺圖像和兩幀暗圖像進行特征分析獲取乳腺圖像整體特征，對乳腺圖像進行分片處理，對分片后的乳腺圖像進行特征分析獲取分片乳腺圖像特征；

S13、計算兩幀暗圖像的平均值DarkImg，將所有乳腺圖像減去平均值DarkImg；

對第一組的A個近紅外LED燈的乳腺圖像進行疊加和歸一化處理后獲取乳腺靜態圖像，對乳腺靜態圖像進行濾波處理后獲取乳腺的血管圖和血管的形態學特征，對乳腺靜態圖像進行輪廓提取算法處理后獲取乳腺輪廓；

S14、根據朗伯比爾模型對乳腺輪廓內的B組乳腺圖像進行求解，獲取乳腺輪廓內乳腺的三維幾何形狀和乳腺的平均衰減系數；利用近紅外光學成像理論，得到乳腺組織內部的光學吸收系數；對乳腺輪廓內的乳腺的光學吸收系數進行統計分析獲取乳腺光學系數特征；

S15、乳腺特征包括基本信息、乳腺圖像整體特征、分片乳腺圖像特征、血管的形態學特征和乳腺光學系數特征，對乳腺特征進行多源特征融合得到乳腺特征向量。

2.如權利要求1所述的一種用于乳腺腫瘤檢測的神經網絡，其特征在于：

步驟S2具體包括以下步驟：

S21、將所述訓練數據集的乳腺特征向量集X作為神經網絡的輸入，將所述訓練數據集的診斷結果作為神經網絡的期望輸出向量集T，所述訓練數據集的乳腺特征向量集X和所述訓練數據集的期望輸出向量集T的由以下公式確定：

X＝{X_ori⁽¹⁾，X_ori⁽²⁾，…，X_ori^(Q)}；

X_ori^(p)＝[X_{ori_1}^p，X_{ori_2}^p，…，X_{ori_m}^p](p＝1，2，…，Q)；

T＝{t⁽¹⁾，t⁽²⁾，…，t^(Q)}；

t^(p)＝[t₁^p，t₂^p，…，t_q^p](p＝1，2，…，Q)；

式中：

Q為所述訓練數據集的個數；

X_ori(p)為第p個所述訓練數據集對應的乳腺特征向量；

m為乳腺特征向量的維度；

q為診斷結果的種類；

t_q為第q種診斷結果，當診斷結果為第q種時，t_q＝1；

神經網絡包括輸入層、隱含層和輸出層，所述輸入層包括m個節點，所述隱含層包括n個節點，所述輸出層包括q個節點；

所述輸入層節點和隱含層節點之間的權重系數為w_ij，i∈[1，m]，j∈[1，n]，所述隱含層節點和輸出層節點之間的權重系數為v_jk(j∈[1，n]，k∈[1，q])，所述隱含層各節點之間的偏值為b_j，j∈[1，n]，所述輸出層各節點之間的偏值為c_k，(k∈[1，q])，神經網絡的學習因子為η，所述隱含層節點和輸出層節點之間的激活函數為g(x)＝1/(1+exp(-x))；

S22、利用GA算法獲取神經網絡的所述初始權值，所述初始權值包括初始加權系數和初始偏值，所述初始加權系數包括w_ij(0)和v_jk(0)，所述初始偏值包括b_j(0)和c_k(0)；

所述w_ij(0)為w_ij的初始值，所述v_jk(0)為v_jk的初始值，所述b_j(0)為b_j的初始值，所述c_k(0)為c_k的初始值。