本发明专利技术公开了一种基于卷积神经网络的乳腺密度分类方法、系统及装置，方法包括采集乳腺钼靶图像，并对其进行分类标记，得到标记后的乳腺钼靶图像；将标记后的乳腺钼靶图像进行预处理，得到钼靶训练图像；将钼靶训练图像输入至卷积神经网络模型进行训练，得到训练完成后的乳腺分类预测网络模型；将需要预测的测试样本输入至乳腺分类预测网络模型进行处理，得到乳腺密度各个分类的概率，进而得到测试样本的分类结果。本发明专利技术通过卷积神经网络模型实现端到端的训练，从而能从大量的乳腺钼靶图像中自动学习图像特征，有效提高对医疗大数据的适应能力，大大提高分类预测的准确性。本发明专利技术可广泛应用于医疗领域中。
【技术实现步骤摘要】
一种基于卷积神经网络的乳腺密度分类方法、系统及装置
本专利技术涉及分类
，尤其涉及一种基于卷积神经网络的乳腺密度分类方法、系统及装置。
技术介绍
乳腺癌是当今女性最常见的恶性肿瘤之一，而乳腺X线密度是预测乳腺癌患癌风险高低的重要指标之一，现有的钼靶图像乳腺密度自动分类大部分是基于第4版BI-RADS分类，即依据乳腺纤维腺体组织与脂肪组织所占比例来分类训练获得的自动量化模型；而最新版本的BI-RADS乳腺密度分类纯粹是主观的，消除了之前的按百分位数分类。这些问题使得传统的方法很难取得较为精确的分类效果。
技术实现思路
为了解决上述技术问题，本专利技术的目的是提供一种能提高精确性的基于卷积神经网络的乳腺密度分类方法、系统及装置。本专利技术所采取的技术方案是：一种基于卷积神经网络的乳腺密度分类方法，包括以下步骤：采集乳腺钼靶图像，并对其进行分类标记，得到标记后的乳腺钼靶图像；将标记后的乳腺钼靶图像进行预处理，得到钼靶训练图像；将钼靶训练图像输入至卷积神经网络模型进行训练，得到训练完成后的乳腺分类预测网络模型；将需要预测的测试样本输入至乳腺分类预测网络模型进行处理，得到乳腺密度各个分类的概率，进而得到测试样本的分类结果。作为所述的一种基于卷积神经网络的乳腺密度分类方法的进一步改进，所述的将标记后的乳腺钼靶图像进行预处理，得到钼靶训练图像，这一步骤具体包括：将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理，得到增强乳腺钼靶图像；对增强乳腺钼靶图像进行像素间隔统一处理，得到间隔钼靶图像；对间隔钼靶图像中每个像素的像素值进行归一化处理，从而完成间隔钼靶图像的对比度统一，得到钼靶训练图像。作为所述的一种基于卷积神经网络的乳腺密度分类方法的进一步改进，所述的像素值进行归一化的公式为：IXYZ＝(IXYZ’-Meani)/Stdi；其中，Meani表示第i张图像的像素均值，Stdi表示像素标准差，IXYZ表示归一化后的像素值，IXYZ’表示归一化前的像素值。作为所述的一种基于卷积神经网络的乳腺密度分类方法的进一步改进，所述的卷积神经网络模型为Inception-ResNet-V2网络模型。本专利技术所采用的另一个技术方案是：一种基于卷积神经网络的乳腺密度分类系统，包括：图像采集单元，用于采集乳腺钼靶图像，并对其进行分类标记，得到标记后的乳腺钼靶图像；预处理单元，用于将标记后的乳腺钼靶图像进行预处理，得到钼靶训练图像；训练单元，用于将钼靶训练图像输入至卷积神经网络模型进行训练，得到训练完成后的乳腺分类预测网络模型；预测单元，用于将需要预测的测试样本输入至乳腺分类预测网络模型进行处理，得到乳腺密度各个分类的概率，进而得到测试样本的分类结果。作为所述的一种基于卷积神经网络的乳腺密度分类系统的进一步改进，所述的预处理单元具体包括：增强处理单元，用于将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理，得到增强乳腺钼靶图像；间隔统一单元，用于对增强乳腺钼靶图像进行像素间隔统一处理，得到间隔钼靶图像；对比度统一单元，用于对间隔钼靶图像中每个像素的像素值进行归一化处理，从而完成间隔钼靶图像的对比度统一，得到钼靶训练图像。作为所述的一种基于卷积神经网络的乳腺密度分类系统的进一步改进，所述的像素值进行归一化的公式为：IXYZ＝(IXYZ’-Meani)/Stdi；其中，Meani表示第i张图像的像素均值，Stdi表示像素标准差，IXYZ表示归一化后的像素值，IXYZ’表示归一化前的像素值。作为所述的一种基于卷积神经网络的乳腺密度分类系统的进一步改进，所述的卷积神经网络模型为Inception-ResNet-V2网络模型。本专利技术所采用的再一个技术方案是：一种基于卷积神经网络的乳腺密度分类装置，包括：存储器，用于存放程序；处理器，用于执行所述程序，所述程序使得所述处理器执行所述的基于卷积神经网络的乳腺密度分类方法。本专利技术的有益效果是：本专利技术一种基于卷积神经网络的乳腺密度分类方法、系统及装置通过卷积神经网络模型实现端到端的训练，从而能从大量的乳腺钼靶图像中自动学习图像特征，有效提高对医疗大数据的适应能力，大大提高分类预测的准确性。附图说明图1是本专利技术一种基于卷积神经网络的乳腺密度分类方法的步骤流程图；图2是本专利技术一种基于卷积神经网络的乳腺密度分类系统的模块方框图。具体实施方式下面结合附图对本专利技术的具体实施方式作进一步说明：参考图1，本专利技术一种基于卷积神经网络的乳腺密度分类方法，包括以下步骤：采集乳腺钼靶图像，并对其进行分类标记，得到标记后的乳腺钼靶图像；将标记后的乳腺钼靶图像进行预处理，得到钼靶训练图像；将钼靶训练图像输入至卷积神经网络模型进行训练，得到训练完成后的乳腺分类预测网络模型；将需要预测的测试样本输入至乳腺分类预测网络模型进行处理，得到乳腺密度各个分类的概率，进而得到测试样本的分类结果。本专利技术实施例中，分类标记时将乳腺钼靶图像分类四类进行标注。进一步作为优选的实施方式，所述的将标记后的乳腺钼靶图像进行预处理，得到钼靶训练图像，这一步骤具体包括：将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理，得到增强乳腺钼靶图像；本实施例中采用对比度受限的自适应直方图均衡化算法能提高图像对比度并有效抑制噪声的增强；对增强乳腺钼靶图像进行像素间隔统一处理，得到间隔钼靶图像；在处理时，首先统计全部增强乳腺钼靶图像的像素间隔信息，制定统一的像素间隔，再对原始的增强乳腺钼靶图像进行缩放操作，使得所有的乳腺钼靶图像的像素间隔统一；对间隔钼靶图像中每个像素的像素值进行归一化处理，从而完成间隔钼靶图像的对比度统一，得到钼靶训练图像。所述的像素值进行归一化的公式为：IXYZ＝(IXYZ’-Meani)/Stdi；其中，Meani表示第i张图像的像素均值，Stdi表示像素标准差，IXYZ表示归一化后的像素值，IXYZ’表示归一化前的像素值。进一步作为优选的实施方式，所述的卷积神经网络模型为Inception-ResNet-V2网络模型。所述Inception-ResNet-V2网络模型融合了Resnet网络和Inception网络的优点，能借助残差网络进一步提升图像分类水准。参考图2，本专利技术一种基于卷积神经网络的乳腺密度分类系统，包括：图像采集单元，用于采集乳腺钼靶图像，并对其进行分类标记，得到标记后的乳腺钼靶图像；预处理单元，用于将标记后的乳腺钼靶图像进行预处理，得到钼靶训练图像；训练单元，用于将钼靶训练图像输入至卷积神经网络模型进行训练，得到训练完成后的乳腺分类预测网络模型；预测单元，用于将需要预测的测试样本输入至乳腺分类预测网络模型进行处理，得到乳腺密度各个分类的概率，进而得到测试样本的分类结果。进一步作为优选的实施方式，所述的预处理单元具体包括：增强处理单元，用于将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理，得到增强乳腺钼靶图像；间隔统一单元，用于对增强乳腺钼靶图像进行像素间隔统一处理，得到间隔钼靶图像；对比度统一单元，用于对间隔钼靶图像中每个像素的像素值进行归一化处理，从而完成间隔钼靶图像的对比度统一，得到钼靶训练图像。进一步作为优选的实施方式，所述的像素值进行归一化的公式为：IXYZ＝(IXY本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的乳腺密度分类方法，其特征在于，包括以下步骤：采集乳腺钼靶图像，并对其进行分类标记，得到标记后的乳腺钼靶图像；将标记后的乳腺钼靶图像进行预处理，得到钼靶训练图像；将钼靶训练图像输入至卷积神经网络模型进行训练，得到训练完成后的乳腺分类预测网络模型；将需要预测的测试样本输入至乳腺分类预测网络模型进行处理，得到乳腺密度各个分类的概率，进而得到测试样本的分类结果。
【技术特征摘要】
1.一种基于卷积神经网络的乳腺密度分类方法，其特征在于，包括以下步骤：采集乳腺钼靶图像，并对其进行分类标记，得到标记后的乳腺钼靶图像；将标记后的乳腺钼靶图像进行预处理，得到钼靶训练图像；将钼靶训练图像输入至卷积神经网络模型进行训练，得到训练完成后的乳腺分类预测网络模型；将需要预测的测试样本输入至乳腺分类预测网络模型进行处理，得到乳腺密度各个分类的概率，进而得到测试样本的分类结果。2.根据权利要求1所述的一种基于卷积神经网络的乳腺密度分类方法，其特征在于：所述的将标记后的乳腺钼靶图像进行预处理，得到钼靶训练图像，这一步骤具体包括：将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理，得到增强乳腺钼靶图像；对增强乳腺钼靶图像进行像素间隔统一处理，得到间隔钼靶图像；对间隔钼靶图像中每个像素的像素值进行归一化处理，从而完成间隔钼靶图像的对比度统一，得到钼靶训练图像。3.根据权利要求2所述的一种基于卷积神经网络的乳腺密度分类方法，其特征在于：所述的像素值进行归一化的公式为：IXYZ＝(IXYZ’-Meani)/Stdi；其中，Meani表示第i张图像的像素均值，Stdi表示像素标准差，IXYZ表示归一化后的像素值，IXYZ’表示归一化前的像素值。4.根据权利要求1所述的一种基于卷积神经网络的乳腺密度分类方法，其特征在于：所述的卷积神经网络模型为Inception-ResNet-V2网络模型。5.一种基于卷积神经网络的乳腺密度分类系统，其特征在于，包括：图像采集单元，用于采集乳腺钼靶图像，并对其进行分类标记，得到标记后的...
【专利技术属性】
技术研发人员：秦耿耿，徐泽园，陈卫国，马乐，何子龙，
申请(专利权)人：南方医科大学南方医院，
类型：发明
国别省市：广东,44
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。