一种乳腺病理图像识别分类方法、系统、设备及介质技术方案

本发明专利技术公开了一种乳腺病理图像识别分类方法、系统、设备及介质，属于人工智能技术领域中的乳腺病理图像识别分类，其目的在于解决现有技术中存在的网络模型训练、分类时计算量大、对终端计算能力要求高的技术问题。其构建的分类网络模型包括第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第二Dropout层、第一Dropout层、第七卷积层、第八卷积层、第三最大池化层、第四Dropout层、第四卷积层、第五卷积层、第二最大池化层、第六卷积层、第三Dropout层、第九卷积层、第十卷积层、第四最大池化层、第五Dropout层、第十一卷积层、第十二卷积层、第五最大池化层、全连接层、Softmax层。通过将卷积层设置为非对称卷积，大大减少网络的参数量，减少模型的计算量。减少模型的计算量。减少模型的计算量。

【技术实现步骤摘要】
一种乳腺病理图像识别分类方法、系统、设备及介质


[0001]本专利技术属于人工智能
，涉及乳腺癌图像，尤其涉及一种乳腺病理图像识别分类方法、系统、设备及介质。

技术介绍

[0002]乳腺癌是女性发病率最高的癌症之一，其死亡率远高于其他女性癌症。定期的乳腺检查可以有效降低乳腺癌发病率。乳腺钼靶X线摄影是公认的早期诊断乳腺癌的标准筛查方式。乳腺钼靶X线摄影成像清晰，对比度高，而且成本低，适合日常体检时乳腺癌早期筛查和诊断。然而在实际诊断过程中，由于医生的扫描手法和仪器固有的伪影噪声，容易出现误诊、漏诊等现象。计算机辅助诊断是很好的辅助医疗手段，它能有效降低误诊率和漏诊率。乳腺肿块是乳腺癌的重要诊断依据之一。它在X线图像中呈类圆形，密度多数情况下比较致密，周围有薄层晕环，部分恶性肿块边缘呈针状。乳腺肿块检测分为肿块位置检测和BI
‑
RADS等级分类。位置检测用于在乳腺X线图像中找到所有可疑乳腺肿块区域的位置，BI
‑
RADS等级分类用于判断这些可疑肿块按照严重程度属于哪一病变等级。由于乳腺肿块边缘复模糊且与周本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种乳腺病理图像识别分类方法，其特征在于，包括以下步骤：步骤S1，获取图像样本数据获取乳腺病理图像样本数据，并对乳腺病理图像样本数据进行标注，得到标签数据；步骤S2，搭建分类网络模型分类网络模型包括依次设置的卷积核为1*3的第一卷积层、卷积核为3*1的第二卷积层、第一最大池化层；第一最大池化层的输出经卷积核为1*1的第三卷积层后输入第二Dropout层，第一最大池化层的输出还依次经第一Dropout层、卷积核为5*1的第七卷积层、卷积核为1*5的第八卷积层、第三最大池化层后输入第四Dropout层；第二Dropout层与第四Dropout层的输出相加后依次经卷积核为1*3的第四卷积层、卷积核为3*1的第五卷积层、第二最大池化层、卷积核为1*1的第六卷积层后输入第三Dropout层；第三Dropout层、第四Dropout层的输出相加后依次经卷积核为5*1的第九卷积层、卷积核为1*5的第十卷积层、第四最大池化层后输入第五Dropout层；第三Dropout层、第五Dropout层的输出相加后依次经卷积核为1*3的第十一卷积层、卷积核为3*1的第十二卷积层、第五最大池化层、全连接层后输入Softmax层，Softmax层的输出即为分类网络模型的输出；步骤S3，训练分类网络模型采用乳腺病理图像样本数据及标签数据，对分类网络模型进行训练，得到成熟的分类网络模型；步骤S4，乳腺图像实时分类实时获取乳腺病理图像，并输入成熟的分类网络模型，分类网络模型输出分类结果。2.如权利要求1所述的一种乳腺病理图像识别分类方法，其特征在于：步骤S1中，对获取乳腺病理图像样本数据进行预处理，预处理包括翻转、旋转以及颜色抖动。3.如权利要求1所述的一种乳腺病理图像识别分类方法，其特征在于：步骤S2的分类网络模型中，第一Dropout层、第二Dropout层、第四Dropout层、第三Dropout层和第五Dropout层的参数分别为0.3、0.4、0.5、0.6、0.7。4.如权利要求1所述的一种乳腺病理图像识别分类方法，其特征在于：步骤S3在训练分类网络模型时...

【专利技术属性】
技术研发人员：高娟，蔡炜杰，向芹，青晓艳，李明进，陈济，蒋昭友，
申请(专利权)人：电子科技大学成都学院，
类型：发明
国别省市：