[發明專利]一種基于深度學習的微波乳腺腫瘤分類方法

在審

• 申請號: 202110994029.6
• 申請日: 2021-08-27
• 公開（公告）號: CN114171183A
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 張朝霞;魯雅;海澤瑞;王錕錕;周曉玲;王倩
• 申請（專利權）人: 太原理工大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06N3/08;G06N3/04;G06K9/62;G06V10/774;G06V10/82;G06V10/764
• 代理公司: 太原晉科知識產權代理事務所(特殊普通合伙) 14110
• 代理人: 王軍

本發明公開了一種基于深度學習的微波乳腺腫瘤分類方法，通過構建域對抗神經網絡，用來解決乳腺腫瘤定位，重新指定為軟分類問題，而且重新定義了損失函數。和實值多層感知機進行對比，域對抗神經網絡僅用250個目標域的數據使神經網絡適應了一個數據分布顯著不同的新域，并在實驗室實驗中對未知數據取得了合理的結果。

技術領域

本發明涉及機器學習技術領域，尤其涉及一種基于深度學習的微波乳腺腫瘤分類方法。

背景技術

在乳腺腫瘤檢測中，確定腫瘤的大小和位置對于預防性診斷至關重要。因此，一種快速準確的腫瘤定位和大小估計方法非常重要。雖然磁共振成像(MRI)和計算機斷層掃描(CT)服務于當代醫療需求，但它們價格昂貴、體積大而且重量大，不適用于乳腺腫瘤的早期診斷。

電磁成像技術作為現有成像方式的補充，有很大的發展前景。電磁成像使用環繞乳腺的天線陣列測量透射和反射系數，這些復值參數可以使用各種技術進行處理，例如層析成像和基于雷達的技術，以完成基于成像的檢測、定位和分類。層析成像需要正向和反向求解器，耗費很長時間計算數萬個未知量，而且也需要精確的電磁仿真工具和昂貴的計算硬件。另一方面，基于雷達的技術在不均勻組織下很難實施，通常不能提供分類。機器學習可以彌補這些缺點，能夠提供幾乎實時結果。深度卷積神經網絡是處理這種高度非線性和復雜任務非常好的選擇。但是，一個主要的障礙是訓練網絡所需的數據量，該技術仍處于初級階段尚未投入使用，需要使用模擬環境中的數據，雖然模擬需要巨大的計算能力，但它們仍是獲取基本訓練數據非常實用的解決方案。然而，基于完全模擬的結果，在實際應用中可能會遇到困難。

發明內容

本發明克服現有技術存在的不足，所要解決的技術問題為：基于完全模擬訓練的網絡，在實際應用中可能會遇到困難的問題，以及傳統方法中存在的計算量大、無法實時成像的技術問題。

本發明解決其技術問題所采用的技術方案是：構造一種基于深度學習的微波乳腺腫瘤分類方法，包括：

通過在健康乳腺的隨機位置放置不同大小的腫瘤來創建乳腺腫瘤病例，通過創建的乳腺腫瘤病例的有限差分時域模擬創建合成數據集，構成源域數據集；

設置多個印刷單極天線，在第一直徑的外環等角度放置構成發射器陣列，對應數量的多個印刷單極天線在第二直徑的內環等角度放置構成接收器陣列，第三直徑的均勻乳腺模型放置圓環中心；使用雙端口矢量網絡分析儀收集雙基地數據，獲得實張量目標域數據集；

搭建域對抗神經網絡，在源域數據集和目標域數據集之間建立映射，通過建立映射的源域數據集和目標域數據集對構建的域對抗神經網絡進行訓練，至輸出結果與數據集實際表示的乳腺腫瘤類型一致為止；

將實時的微波乳腺腫瘤圖像輸入訓練完成的域對抗神經網絡中，輸出結果作為乳腺腫瘤分類結果。

其中，域對抗神經網絡由三部分組成，特征提取器、標簽預測器和域分類器；特征提取器將數據映射到特征空間，使標簽預測器能分辨出源域數據的標簽，域分類器分辨不出數據來自源域還是目標域；

域對抗神經網絡只能對源域數據集進行分類，要想實現目標域數據集的分類任務必須讓域對抗神經網絡把目標域數據看作成源域數據；在訓練階段的兩個任務，第一個是實現源域數據集準確分類，實現標簽預測誤差最小化；第二個任務是混淆源域數據集和目標域數據集，實現域分類誤差的最大化。

其中，域分類器有兩個損失函數：一個是二元交叉熵，另一個是混淆域分類器；標簽預測器和域分類器在訓練過程中相互對抗最終實現了圖像標簽預測損失和域分類損失之間的相互平衡。

其中，使用軟分類方法，將乳腺腫瘤區域離散為41個單元，創建41維向量，每個條目對應一個單元格，并包含腫瘤區域位于該單元格中的多少，之后歸一化以創建有效的分布。

其中，使用Kullback-Lerbler(KL)散度，作為軟分類問題的準確率度量，它測量由于從一個分布到另一個分布的散度而獲得的額外信息。