一种基于多样性区分学习的乳腺肿瘤识别方法技术

本发明专利技术公开了一种基于多样性区分学习的乳腺肿瘤识别方法，首先创建多样性分类学习模型，用于对肿瘤的多样性状态进行分类，然后创建区分性学习模型，用于对与常态肿瘤差异性较大的肿瘤进行分类，通过所述的多样性分类学习模型和所述的区分性学习模型对肿瘤进行识别。本发明专利技术的一种基于多样性区分学习的乳腺肿瘤识别方法和现有技术相比，能有效的对肿瘤的多样性状态进行分类，从而减少多样性对性能的影响；对于常态的肿瘤，利用传统的分类模型即可识别的很好；对于非常态肿瘤，将其输入到区分性学习模型进行识别，对乳腺肿瘤进行准确识别，对于乳腺癌的早期辅助诊断具有重要的意义。

A Breast Tumor Recognition Method Based on Diversity Differentiation Learning

The invention discloses a breast cancer recognition method based on diversity discrimination learning. Firstly, a diversity classification learning model is created to classify the diverse states of tumors, and then a differentiation learning model is created to classify tumors with great difference from normal tumors. Class learning model and the discriminatory learning model are used to recognize tumors. The breast cancer recognition method based on diversity discriminant learning of the present invention can effectively classify the diverse states of tumors, thereby reducing the impact of diversity on performance; for normal tumors, the traditional classification model can be used to identify well; for abnormal tumors, it can classify them. It is very important for early diagnosis of breast cancer to input discriminatory learning model to recognize breast tumors accurately.

【技术实现步骤摘要】
一种基于多样性区分学习的乳腺肿瘤识别方法
本专利技术涉及医学图像处理领域，具体地说是一种基于多样性区分学习的乳腺肿瘤识别方法。
技术介绍
乳腺癌是致死率较高的一种疾病，基于超声图像的乳腺良恶性肿瘤识别是乳腺癌辅助诊断的重要工具。然而，肿瘤的形态各异，即使属于同一类，也具有诸多不同的特点。因为传统方法对肿瘤良恶性识别精度低，导致无法有效解决多形态肿瘤识别精度低的问题。
技术实现思路
本专利技术的技术任务是提供一种基于多样性区分学习的乳腺肿瘤识别方法。本专利技术的技术任务是按以下方式实现的：一种基于多样性区分学习的乳腺肿瘤识别方法，首先创建多样性分类学习模型，用于对肿瘤的多样性状态进行分类，然后创建区分性学习模型，用于对与常态肿瘤差异性较大的肿瘤进行分类，通过所述的多样性分类学习模型和所述的区分性学习模型对肿瘤进行识别。所述的多样性分类学习模型通过使用卷积神经网络框架，拟利用Alexnet作为基多样性分类学习模型，对样本分为常态肿瘤和非常态肿瘤两种。所述的多样性分类学习模型对乳腺超声图像进行标记，标记为常态肿瘤和非常态肿瘤两类图像。将所述的进行标记的图像输入到Alexnet，训练得到多样性分类学习模型。所述的区分性学习模型用于对非常态肿瘤进行识别，使用Resnet作为区分性学习模型。所述的区分性学习模型在训练时，设置每个样本的初始权重，如公式一所示：在上式中，变量x表示一个肿瘤，变量q表示识别正确的肿瘤的个数，变量p表示识别错误的肿瘤的个数，ΩC表示识别错误的肿瘤的集合，ΩB表示识别正确的肿瘤集合。所述的区分性学习模型不断的进行迭代优化，在每次迭代优化中，不断更新权重，权重更新公式如公式二所示：在上式中，变量un-1表示肿瘤x在上一次迭代的权重，acc表示被上次迭代中识别的正确率，Ωerr表示上次迭代中被错误识别的肿瘤集合，Ωacc表示上次迭代中被正确识别的肿瘤集合。对于待识别的肿瘤，首先输入到所述的多样性分类学习模型，判断该样本属于常态肿瘤还是非常态肿瘤；如果是常态肿瘤，用传统的识别方法即可识别的很好；如果是非常态肿瘤，将其输入到区分性学习模型进行识别。本专利技术的一种基于多样性区分学习的乳腺肿瘤识别方法和现有技术相比，能有效的对肿瘤的多样性状态进行分类，从而减少多样性对性能的影响；对于常态的肿瘤，利用传统的分类模型即可识别的很好；对于非常态肿瘤，将其输入到区分性学习模型进行识别，对乳腺肿瘤进行准确识别，对于乳腺癌的早期辅助诊断具有重要的意义。附图说明附图1为一种基于多样性区分学习的乳腺肿瘤识别方法的流程示意图。具体实施方式实施例1：一种基于多样性区分学习的乳腺肿瘤识别方法，首先创建多样性分类学习模型，用于对肿瘤的多样性状态进行分类，然后创建区分性学习模型，用于对与常态肿瘤差异性较大的肿瘤进行分类，通过所述的多样性分类学习模型和所述的区分性学习模型对肿瘤进行识别。所述的多样性分类学习模型通过使用卷积神经网络框架，拟利用Alexnet作为基多样性分类学习模型，对样本分为常态肿瘤和非常态肿瘤两种；所述的多样性分类学习模型对乳腺超声图像进行标记，标记为常态肿瘤和非常态肿瘤两类图像；将所述的进行标记的图像输入到Alexnet，训练得到多样性分类学习模型。所述的区分性学习模型用于对非常态肿瘤进行识别，使用Resnet作为区分性学习模型；所述的区分性学习模型在训练时，设置每个样本的初始权重，如公式一所示：在上式中，变量x表示一个肿瘤，变量q表示识别正确的肿瘤的个数，变量p表示识别错误的肿瘤的个数，ΩC表示识别错误的肿瘤的集合，ΩB表示识别正确的肿瘤集合。所述的区分性学习模型不断的进行迭代优化，在每次迭代优化中，不断更新权重，权重更新公式如公式二所示：在上式中，变量un-1表示肿瘤x在上一次迭代的权重，acc表示被上次迭代中识别的正确率，Ωerr表示上次迭代中被错误识别的肿瘤集合，Ωacc表示上次迭代中被正确识别的肿瘤集合。对于待识别的肿瘤，首先输入到所述的多样性分类学习模型，判断该样本属于常态肿瘤还是非常态肿瘤；如果是常态肿瘤，用传统的识别方法即可识别的很好；如果是非常态肿瘤，将其输入到区分性学习模型进行识别。通过上面具体实施方式，所述
的技术人员可容易的实现本专利技术。但是应当理解，本专利技术并不限于上述的几种具体实施方式。在公开的实施方式的基础上，所述
的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。本文档来自技高网...

【技术保护点】
1.一种基于多样性区分学习的乳腺肿瘤识别方法，其特征在于，首先创建多样性分类学习模型，用于对肿瘤的多样性状态进行分类，然后创建区分性学习模型，用于对与常态肿瘤差异性较大的肿瘤进行分类，通过所述的多样性分类学习模型和所述的区分性学习模型对肿瘤进行识别。

【技术特征摘要】
1.一种基于多样性区分学习的乳腺肿瘤识别方法，其特征在于，首先创建多样性分类学习模型，用于对肿瘤的多样性状态进行分类，然后创建区分性学习模型，用于对与常态肿瘤差异性较大的肿瘤进行分类，通过所述的多样性分类学习模型和所述的区分性学习模型对肿瘤进行识别。2.根据权利要求1所述的乳腺肿瘤识别方法，其特征在于，所述的多样性分类学习模型通过使用卷积神经网络框架，拟利用Alexnet作为基多样性分类学习模型，对样本分为常态肿瘤和非常态肿瘤两种。3.根据权利要求1所述的乳腺肿瘤识别方法，其特征在于，所述的多样性分类学习模型对乳腺超声图像进行标记，标记为常态肿瘤和非常态肿瘤两类图像。4.根据权利要求3所述的乳腺肿瘤识别方法，其特征在于，将所述的进行标记的图像输入到Alexnet，训练得到多样性分类学习模型。5.根据权利要求1所述的乳腺肿瘤识别方法，其特征在于，所述的区分性学习模型用于对非常态肿瘤进行识别，使用Resnet作为区分性学习模型。6.根...

【专利技术属性】
技术研发人员：袭肖明，于治楼，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东,37