一种基于深度学习的微波乳腺肿瘤分类方法技术

本发明专利技术公开了一种基于深度学习的微波乳腺肿瘤分类方法，通过构建域对抗神经网络，用来解决乳腺肿瘤定位，重新指定为软分类问题，而且重新定义了损失函数。和实值多层感知机进行对比，域对抗神经网络仅用250个目标域的数据使神经网络适应了一个数据分布显著不同的新域，并在实验室实验中对未知数据取得了合理的结果。的结果。的结果。

【技术实现步骤摘要】
一种基于深度学习的微波乳腺肿瘤分类方法


[0001]本专利技术涉及机器学习
，尤其涉及一种基于深度学习的微波乳腺肿瘤分类方法。

技术介绍

[0002]在乳腺肿瘤检测中，确定肿瘤的大小和位置对于预防性诊断至关重要。因此，一种快速准确的肿瘤定位和大小估计方法非常重要。虽然磁共振成像(MRI)和计算机断层扫描(CT)服务于当代医疗需求，但它们价格昂贵、体积大而且重量大，不适用于乳腺肿瘤的早期诊断。
[0003]电磁成像技术作为现有成像方式的补充，有很大的发展前景。电磁成像使用环绕乳腺的天线阵列测量透射和反射系数，这些复值参数可以使用各种技术进行处理，例如层析成像和基于雷达的技术，以完成基于成像的检测、定位和分类。层析成像需要正向和反向求解器，耗费很长时间计算数万个未知量，而且也需要精确的电磁仿真工具和昂贵的计算硬件。另一方面，基于雷达的技术在不均匀组织下很难实施，通常不能提供分类。机器学习可以弥补这些缺点，能够提供几乎实时结果。深度卷积神经网络是处理这种高度非线性和复杂任务非常好的选择。但是，一个主要的障碍是训练网络所需的数据量，该技术仍处于初级阶段尚未投入使用，需要使用模拟环境中的数据，虽然模拟需要巨大的计算能力，但它们仍是获取基本训练数据非常实用的解决方案。然而，基于完全模拟的结果，在实际应用中可能会遇到困难。

技术实现思路

[0004]本专利技术克服现有技术存在的不足，所要解决的技术问题为：基于完全模拟训练的网络，在实际应用中可能会遇到困难的问题，以及传统方法中存在的计算量大、无法实时成像的技术问题。
[0005]本专利技术解决其技术问题所采用的技术方案是：构造一种基于深度学习的微波乳腺肿瘤分类方法，包括：
[0006]通过在健康乳腺的随机位置放置不同大小的肿瘤来创建乳腺肿瘤病例，通过创建的乳腺肿瘤病例的有限差分时域模拟创建合成数据集，构成源域数据集；
[0007]设置多个印刷单极天线，在第一直径的外环等角度放置构成发射器阵列，对应数量的多个印刷单极天线在第二直径的内环等角度放置构成接收器阵列，第三直径的均匀乳腺模型放置圆环中心；使用双端口矢量网络分析仪收集双基地数据，获得实张量目标域数据集；
[0008]搭建域对抗神经网络，在源域数据集和目标域数据集之间建立映射，通过建立映射的源域数据集和目标域数据集对构建的域对抗神经网络进行训练，至输出结果与数据集实际表示的乳腺肿瘤类型一致为止；
[0009]将实时的微波乳腺肿瘤图像输入训练完成的域对抗神经网络中，输出结果作为乳
腺肿瘤分类结果。
[0010]其中，域对抗神经网络由三部分组成，特征提取器、标签预测器和域分类器；特征提取器将数据映射到特征空间，使标签预测器能分辨出源域数据的标签，域分类器分辨不出数据来自源域还是目标域；
[0011]域对抗神经网络只能对源域数据集进行分类，要想实现目标域数据集的分类任务必须让域对抗神经网络把目标域数据看作成源域数据；在训练阶段的两个任务，第一个是实现源域数据集准确分类，实现标签预测误差最小化；第二个任务是混淆源域数据集和目标域数据集，实现域分类误差的最大化。
[0012]其中，域分类器有两个损失函数：一个是二元交叉熵，另一个是混淆域分类器；标签预测器和域分类器在训练过程中相互对抗最终实现了图像标签预测损失和域分类损失之间的相互平衡。
[0013]其中，使用软分类方法，将乳腺肿瘤区域离散为41个单元，创建41维向量，每个条目对应一个单元格，并包含肿瘤区域位于该单元格中的多少，之后归一化以创建有效的分布。
[0014]其中，使用Kullback
‑
Lerbler(KL)散度，作为软分类问题的准确率度量，它测量由于从一个分布到另一个分布的散度而获得的额外信息。
[0015]本专利技术与现有技术相比具有以下有益效果：
[0016]本专利技术提供了一种基于域对抗神经网络的微波乳腺肿瘤分类方法，在训练分布和测试分布之间存在偏移的情况下，在源域和目标域之间尽力映射，使源域学习的分类器也可以适用于目标域；相比于传统方法解决微波乳腺电磁逆散射问题相比，可实现实时分类且计算量小；相比于先前的神经网络，可将2D乳腺肿瘤仿真分类应用于3D 实验环境中。
附图说明
[0017]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0018]图1是本专利技术提供的一种基于深度学习的微波乳腺肿瘤分类方法的流程示意图。
具体实施方式
[0019]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术做进一步的详细说明。应当理解，此外所描述的具体实施例仅用以解释本专利技术，但并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都将属于本专利技术保护的范围。
[0020]参照附图1，本专利技术提供的一种基于深度学习的微波乳腺肿瘤分类方法，包括：
[0021]通过在健康乳腺的随机位置放置不同大小的肿瘤来创建乳腺肿瘤病例，通过创建的乳腺肿瘤病例的有限差分时域模拟创建合成数据集，构成源域数据集；
[0022]设置多个印刷单极天线，在第一直径的外环等角度放置构成发射器阵列，对应数量的多个印刷单极天线在第二直径的内环等角度放置构成接收器阵列，第三直径的均匀乳腺模型放置圆环中心；使用双端口矢量网络分析仪收集双基地数据，获得实张量目标域数据集；
[0023]搭建域对抗神经网络，在源域数据集和目标域数据集之间建立映射，通过建立映
射的源域数据集和目标域数据集对构建的域对抗神经网络进行训练，至输出结果与数据集实际表示的乳腺肿瘤类型一致为止；
[0024]将实时的微波乳腺肿瘤图像输入训练完成的域对抗神经网络中，输出结果作为乳腺肿瘤分类结果。
[0025]其中，域对抗神经网络由三部分组成，特征提取器、标签预测器和域分类器；特征提取器将数据映射到特征空间，使标签预测器能分辨出源域数据的标签，域分类器分辨不出数据来自源域还是目标域；
[0026]域对抗神经网络只能对源域数据集进行分类，要想实现目标域数据集的分类任务必须让域对抗神经网络把目标域数据看作成源域数据；在训练阶段的两个任务，第一个是实现源域数据集准确分类，实现标签预测误差最小化；第二个任务是混淆源域数据集和目标域数据集，实现域分类误差的最大化。
[0027]本专利技术使用了一种域自适应技术来弥补将深度神经网络应用于电磁学中的合成数据和真实数据之间的差距。该技术允许依赖于计算机模拟的数据，同时使其适应现实环境。所提出的方法在源域和目标域之间建立映射，从而当与域之间的学习映射组合时，以至于源域学习的分类器也可以应用于目标域。
[0028]通过在健康乳腺的不同位置放置大小不同的肿瘤来创建乳腺肿瘤病例，使用9000个带有肿瘤的乳腺病例的有限差分时域模拟创建合成数据集，构成了源域数据集。
[0029]目标域数据集由真实实验获得，16个印刷单极天线分别在直径500m本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的微波乳腺肿瘤分类方法，其特征在于，包括：通过在健康乳腺的随机位置放置不同大小的肿瘤来创建乳腺肿瘤病例，通过创建的乳腺肿瘤病例的有限差分时域模拟创建合成数据集，构成源域数据集；设置多个印刷单极天线，在第一直径的外环等角度放置构成发射器阵列，对应数量的多个印刷单极天线在第二直径的内环等角度放置构成接收器阵列，第三直径的均匀乳腺模型放置圆环中心；使用双端口矢量网络分析仪收集双基地数据，获得实张量目标域数据集；搭建域对抗神经网络，在源域数据集和目标域数据集之间建立映射，通过建立映射的源域数据集和目标域数据集对构建的域对抗神经网络进行训练，至输出结果与数据集实际表示的乳腺肿瘤类型一致为止；将实时的微波乳腺肿瘤图像输入训练完成的域对抗神经网络中，输出结果作为乳腺肿瘤分类结果。2.根据权利要求1所述的基于深度学习的微波乳腺肿瘤分类方法，其特征在于，域对抗神经网络由三部分组成，特征提取器、标签预测器和域分类器；特征提取器将数据映射到特征空间，使标签预测器能分辨出源域数据的标签，域分类器分辨不出数据来自源域还是目标域；域对抗神经网络...

【专利技术属性】
技术研发人员：张朝霞，鲁雅，海泽瑞，王锟锟，周晓玲，王倩，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：