一种乳腺X光图像的乳腺肿块信息提取及分类方法技术

本发明专利技术公开了一种乳腺X光图像的乳腺肿块信息提取及分类方法，包括以下步骤：S1、将乳腺X光图像输入四个并行卷积神经网络；S2、基于四个并行卷积神经网络提取乳腺X光图像的高层语义特征；S3、对提取的高层语义特征进行多标签多任务学习网络训练，并得到乳腺肿块的分类信息。本发明专利技术提供的乳腺X光图像的乳腺肿块信息提取及分类方法，可以有效去除卷积神经网络提取的冗余特征，通过多标签多任务网络可以使得四个分类任务互相纠缠约束并相互促进，为医生提供清楚的乳腺肿块分类信息，提供乳腺肿块相关疾病的辅助诊断。

【技术实现步骤摘要】
一种乳腺X光图像的乳腺肿块信息提取及分类方法
本专利技术属于乳腺X光图像处理
，具体涉及一种乳腺X光图像的乳腺肿块信息提取及分类方法。
技术介绍
乳腺癌是女性最常见的恶性肿瘤之一，据相关数据表明，每两分钟就有一名女性被诊断出患有乳腺癌。在我国，乳腺癌是导致40～50岁女性死亡的主要原因，平均每12分钟就有一名女性死于乳腺癌；城市女性中，大约每一万人中就有3～4人罹患乳腺癌，不仅如此，乳腺癌的发病率正以每年3％～4％的速度急剧上升。因此，早期发现、早期诊断和早期治疗被公认为控制乳腺癌发展的有效措施，且对提高患者的生存率及生活质量具有重要的意义，其中早期发现居首要之位。乳腺肿块是乳腺癌必有的症状和体征，一般为单个，形态不定，质较硬韧。近几年，为了提高乳腺癌的诊断效率，乳腺肿块在早期研究中一直向着智能化方向发展，随着现在科学技术地不断发展，人工智能技术不断进步，人工神经网络技术也日益成熟，它的分类能力也越来越强，并具有智能性，为乳腺肿瘤识别提供了一种新的方法。卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现；它包括卷积层(convolutionallayer)和池化层(poolinglayer)。目前在医学影像分析领域,卷积神经网络主要用于单一学习任务的实现。比如对乳腺X光图像中单纯的肿块信息提取，进行单纯的肿瘤良恶性判断，很难和医生的医学诊断凭据相结合，难以在医生的诊断过程中提供更加可靠的数据依据。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的乳腺X光图像的乳腺肿块信息提取及分类方法解决了现有技术中利用卷积神经网络对乳腺X光图像进行分析时，只能进行单纯的肿块良恶性信息提取，难以为医生提供准确的诊断凭据的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种乳腺X光图像的乳腺肿块信息提取及分类方法，包括以下步骤：S1、将乳腺X光图像输入四个并行卷积神经网络；S2、基于四个并行卷积神经网络提取乳腺X光图像的高层语义特征；S3、对提取的高层语义特征进行多标签多任务学习网络训练，并得到乳腺肿块的分类信息。进一步地，所述步骤S2中：每个所述并行卷积神经网络均包括两个卷积层、两个最大池化层和一个全连接层；网络顺序为依次为卷积层、池化层、卷积层、池化层和全连接层；每个所述卷积层包括6个5×5的卷积核，每个所述池化层包括1个2×2的核，所述全连接层的尺寸为192×1；每个所述卷积神经网络均提取192个乳腺X光图像的特征，将每个所述卷积神经网络提取的192个特征表示为一组高层语义特征向量，分别为X1,X2,X3和X4。近一步地，所述多标签多任务网络的搭建方法具体为：将4组所述高层语义特征向量X1,X2,X3和X4，分别作为多标签多任务学习中用于获得分类预估值的4个激励函数的输入值，将分类预估值与实际标签之间的关系作为多标签多任务学习的目标函数，对该目标函数求极小值，并利用随机梯度下降法对目标函数进行网络训练，获得多标签多任务网络的所有核函数的取值和偏移值，实现多标签多任务网络的搭建；所述激励函数为softmax函数或ReLU函数。进一步地，所述步骤S3中：多标签多任务网络中的分类任务包括乳腺肿块形状的分类任务、乳腺肿块边缘的分类任务、乳腺肿块BI-BADS分级的分类任务和乳腺肿块良恶性的分类任务；在所述乳腺肿块形状的分类任务中，分类的标签为：Y1＝[-7,-6,-5,-4,-3,-2,-1,1,2,3,4,5,6,7]分别对应乳腺肿块的14种形状；在所述乳腺肿块边缘的分类任务中，分类的标签为：Y2＝[-9,-8,-7,-6,-5,-4,-3,-2,-1,1,2,3,4,5,6,7,8,9]分别对应乳腺肿块的18种不同边缘；在所述乳腺肿块BI-BADS分级的分类任务中，分类的标签为：Y3＝[0,1,2,3,4,5,6]分别对应乳腺肿块在BI-BADS标准中的7种不同分值；在所述乳腺肿块的良恶性的分类任务中，分类标签为：Y4＝[1,2,3]分别对应乳腺肿块的良性、恶性和可疑待定三类。进一步地，在所述多标签多任务网络的目标函数包括总损失函数L(W,b)和第j个任务的损失函数Li，j(W,b)；总损失函数L(W,b)为：式中，Lj为第j个任务的损失函数，λj为第j个任务的损失函数的损失权重，其中，j＝1,2,3,4；分别为肿块形状分类任务，肿块边缘分类任务，肿块BI-BADS分级分类任务和肿块良恶性分类任务；第j个任务的损失函数Li，j(W,b)定义为：其中，N为训练样本的总数目；i表示第i个样本；表示第j个任务中经过卷积神经网络的全连接层后预测为第k个标签值的输出值；Cj表示第j个任务的标签数目。进一步地，所述总损失函数L中，第j个任务的损失函数的损失权重λj分别为和1；所述第j个任务的损失函数Li，j中，第j个任务的标签数目Cj分别为14，18，7，3。本专利技术的有益效果为：本专利技术提供的乳腺X光图像的乳腺肿块信息提取及分类方法，可以有效去除卷积神经网络提取的冗余特征，通过多标签多任务网络可以使得四个分类任务互相纠缠约束并相互促进，为医生提供清楚的乳腺肿块分类信息，提供乳腺肿块相关疾病的辅助诊断。附图说明图1为本专利技术提供的实施例中乳腺X光图像的乳腺肿块信息提取及分类方法实现流程图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。如图1所示，一种乳腺X光图像的乳腺肿块信息提取及分类方法，包括以下步骤：S1、将乳腺X光图像输入四个并行卷积神经网络；S2、基于四个并行卷积神经网络提取乳腺X光图像的高层语义特征；上述步骤S2中：每个所述并行卷积神经网络均包括两个卷积层、两个最大池化层和一个全连接层；网络顺序为依次为卷积层、池化层、卷积层、池化层和全连接层；每个所述卷积层包括6个5×5的卷积核，每个所述池化层包括1个2×2的核，所述全连接层的尺寸为192×1；每个所述卷积神经网络均提取192个乳腺X光图像的特征，将每个所述卷积神经网络提取的192个特征表示为一组高层语义特征向量，分别为X1,X2,X3和X4。S3、对提取的高层语义特征进行多标签多任务学习网络训练，并得到乳腺肿块的分类信息。上述多标签多任务网络的搭建方法具体为：将4组所述高层语义特征作为多标签多任务学习中用于获得分类预估值的4个激励函数的输入值，将分类预估值与实际标签之间的关系作为多标签多任务学习的目标函数，对该目标函数求极小值，并利用随机梯度下降法对目标函数进行网络训练，获得多标签多任务网络的所有核函数的取值和偏移值，实现多标签多任务网络的搭建；激励函数为softmax函数或ReLU函数。上述多标签多任务网络中的分类任务包括乳腺肿块形状的分类任务、乳腺肿块边缘的分类任务、乳腺肿块BI-BADS分级的分类任务和乳腺肿块良恶性的分类任务；该四组分类任务中的激励函数的输入分别对应卷积神经网络提取的4组本文档来自技高网...

【技术保护点】
1.一种乳腺X光图像的乳腺肿块信息提取及分类方法，其特征在于，包括以下步骤：S1、将乳腺X光图像输入四个并行卷积神经网络；S2、基于四个并行卷积神经网络提取乳腺X光图像的高层语义特征；S3、对提取的高层语义特征进行多标签多任务学习网络训练，并得到乳腺肿块的分类信息。

【技术特征摘要】
1.一种乳腺X光图像的乳腺肿块信息提取及分类方法，其特征在于，包括以下步骤：S1、将乳腺X光图像输入四个并行卷积神经网络；S2、基于四个并行卷积神经网络提取乳腺X光图像的高层语义特征；S3、对提取的高层语义特征进行多标签多任务学习网络训练，并得到乳腺肿块的分类信息。2.根据权利要求1所述的乳腺X光图像的乳腺肿块信息提取及分类方法，其特征在于，所述步骤S2中：每个所述并行卷积神经网络均包括两个卷积层、两个最大池化层和一个全连接层；网络顺序为依次为卷积层、池化层、卷积层、池化层和全连接层；每个所述卷积层包括6个5×5的卷积核，每个所述池化层包括1个2×2的核，所述全连接层的尺寸为192×1；每个所述卷积神经网络均提取192个乳腺X光图像的特征，将每个所述卷积神经网络提取的192个特征表示为一组高层语义特征向量，分别为X1,X2,X3和X4。3.根据权利要求2所述的乳腺X光图像的乳腺肿块信息提取及分类方法，其特征在于，所述多标签多任务网络的搭建方法具体为：将4组所述高层语义特征向量X1,X2,X3和X4，分别作为多标签多任务学习中用于获得分类预估值的4个激励函数的输入值，将分类预估值与实际标签之间的关系作为多标签多任务学习的目标函数，对该目标函数求极小值，并利用随机梯度下降法对目标函数进行网络训练，获得多标签多任务网络的所有核函数的取值和偏移值，实现多标签多任务网络的搭建；所述激励函数为softmax函数或ReLU函数。4.根据权利要求3所述的乳腺X光图像的乳腺肿块信息提取及分类方法，其特征在于，所述步骤S3中：多标签多任务网络中的分类任务包括乳腺肿块形状的分类任务、乳腺肿块边缘的分类任务、乳腺肿块BI-BADS分级的分类任务和...

【专利技术属性】
技术研发人员：高婧婧，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51