【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...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。