【技术实现步骤摘要】
X射线乳腺肿块影像自动分类方法
本专利技术涉及图像处理
，尤其是X射线乳腺肿块影像自动分类方法。
技术介绍
使用人工智能方式进行乳腺肿块影像的自动分类，确定乳腺肿块是良性还是恶性，不仅可以节约大量宝贵的医疗资源，避免由于诊断医生经验和水平等主观原因造成诊断错误，还可以提高诊断准确性、缩短诊断时间，有着非常大的经济效益。乳腺影像是对人体内部器官通过透射投影形成的，在透射投影过程中，射线在透射过程中会因物体的影响生成偏移，生成的乳腺影像边缘和肿块纹理模糊。使用传统方法如一阶微分算子Roberts算子、Prewitt算子，二阶微分算子Laplace算子等进行乳腺影像目标边缘等信息进行增强，无法满足乳腺影像分类精度要求。由于乳腺肿块与腺体、肌肉等其他人体组织相似性高，所以使用传统方法对乳腺肿块进行分类，存在着效率不高、准确率低的问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种X射线乳腺肿块影像自动分类方法，它能准确分辨X射线乳腺肿块影像中的乳腺肿块是良性还是恶性。本专利技术是这样实现的：X射线乳腺肿块影像自动分类方法，包含三个模块：RGB通道重组子网络；灰度...
【技术保护点】
1.一种X射线乳腺肿块影像自动分类方法，其特征在于：包含三个模块：RGB通道重组子网络；灰度乳腺影像卷积特征提取模块，及特征提取和分类模块；按如下步骤进行：1)通过RGB通道重组子网络调整RGB乳腺影像三个色彩通道的权重，得到由不同权重重新组合生成的RGB格式乳腺肿块影像；2)通过灰度乳腺影像卷积特征提取模块在步骤1)生成获得的RGB格式乳腺肿块影像上进行卷积操作，从而生成特征图；具体是，使用以常数e为底数的指数函数对特征图的灰度值变换，将区分度较高的亮度区域进行拉伸，增强不同类型RGB格式乳腺肿块影像的差异性，达到特征增强的目的；3)通过特征提取和分类模块将步骤2)提取出...
【技术特征摘要】
1.一种X射线乳腺肿块影像自动分类方法，其特征在于：包含三个模块：RGB通道重组子网络；灰度乳腺影像卷积特征提取模块，及特征提取和分类模块；按如下步骤进行：1)通过RGB通道重组子网络调整RGB乳腺影像三个色彩通道的权重，得到由不同权重重新组合生成的RGB格式乳腺肿块影像；2)通过灰度乳腺影像卷积特征提取模块在步骤1)生成获得的RGB格式乳腺肿块影像上进行卷积操作，从而生成特征图；具体是，使用以常数e为底数的指数函数对特征图的灰度值变换，将区分度较高的亮度区域进行拉伸，增强不同类型RGB格式乳腺肿块影像的差异性，达到特征增强的目的；3)通过特征提取和分类模块将步骤2)提取出的乳腺肿块影像的特征图输入到特征提取和分类模块的全连接层进行特征提取，再输入到Softmax层进行分类，输出乳腺肿块的良性恶性分类信息。2.根据权利要求1所述的X射线乳腺肿块影像自动分类方法，其特征在于：所述的RGB通道重组子网络是一个三层的神经网络，其中输入层是RGB格式的三通道乳腺肿块影像，经过隐藏层计算后，使用隐藏层与输出层间的三个权重wR、wG、wB分别对原图中的三个通道权重进行调整，得到三个单通道图，将三个单通道图堆叠起来，得到调整后的乳腺肿块影像。3.根据权利要求2所述的X射线乳腺肿块影像自动分类方法，其特征在于，RGB通道重组网络的具体方式如下：输入：((XR,XG,XB),Y)，其中XR,XG,XB分别是RGB格式乳腺肿块影像三个通道的灰度图像，像素灰度值范围为[0,255]，Y是乳腺肿块影像的分类标签，值为{恶性、良性}二类；输出：(X'R,X'G,X'B)，X'R,X'G,X'B分别是调整后的RGB三个通道的灰度值，调整后的乳腺肿块影像对于良性肿块和恶性肿块分类更具可分性；步骤a)设置输入层到隐藏层之间权重：wRi＝1、wGi＝1、wBi＝1；步骤b)使用(0.5,1.2)范围内随机值初始化隐藏层到输出层之间权重：wR、wG、wB；步骤c)前向计算阶段：从输入层开始向前计算，在输出层得到重组后的灰度乳腺影像；步骤d)输出层得到的灰度图像作为后续模块的输入；步骤e)输出层接受后续模块反馈信息；步骤f)后向计算阶段：从输出层开始向后计算，根据输出层接收到的误差信息，使用梯度方法调整隐藏层与输出层间权重；至此，完成一次RGB通道重组网络的参数训练和调整。4.根据权利要求1所述的X射线乳腺肿块影像自动分类方法，其特征在于：灰度...
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。