一种基于特征向量库匹配的乳腺良恶性结节分类系统技术方案

本发明专利技术公开了一种基于特征向量库匹配的乳腺良恶性结节分类系统，涉及图像处理技术领域，通过使用专家标注的典型图像数据库，用于分类训练时进行对比学习，相较于传统的分类网络训练过程，利用到了可靠的先验知识，可以有效地避免分类训练时由于不同类别间特征接近导致的分类错误；同时对比学习在损失函数上的使用也比较全面，利用了直接计算特征距离差异的损失函数及分子化的特征距离差异损失函数同步的减小同类别特征向量距离，并扩大不同类别的特征向量距离，从而结合了分类模型通过训练得到的分类结果以及通过对比学习并计算与专家库特征向量的距离的分类结果，使得本发明专利技术在难分样本中相较于其他的分类方法具有更优的分类能力。

【技术实现步骤摘要】

本专利技术涉及图像处理，特别是涉及一种基于特征向量库匹配的乳腺良恶性结节分类系统。

技术介绍

1、乳腺癌是女性常见的恶性肿瘤之一，乳腺结节则是乳腺癌的早期标志物。超声影像作为一种无创检查手段被广泛应用于乳腺结节的筛查诊断中。

2、近年来，随着深度学习的快速发展，卷积神经网络已经广泛应用于医学图像分析中。而分类算法也已经有了迅速的发展。现有的分类算法在针对病灶图像分类时，一般设计的数据集都是训练集和验证集两个。并且训练集和验证集都包含病灶类图像和正常类图像。在乳腺良恶性结节分类中，训练集和验证集都包含良性结节类别、恶性结节类别以及正常乳腺图像。在训练分类网络时，只需将训练集和验证集都直接输入分类网络进行训练，最终通过softmax操作将训练得到的特征向量转为类别的概率。再通过阈值化处理即可得到最终分类的类别。

3、现有的这些常规分类算法在分类时都是按照对应的类别进行特征向量的提取并经过对损失函数的收敛得到最终的分类结果。在乳腺良恶性结节分类中，所使用到的数据集都是良性结节或恶性结节的大数据集。

4、然而在乳腺超声图像中，良本文档来自技高网...

【技术保护点】

1.一种基于特征向量库匹配的乳腺良恶性结节分类系统，其特征在于：包括分类网络训练模块和超声图像分类模块，分类网络训练模块包括训练集构建模块、训练集预处理模块、样本挑选模块、第一分类网络训练模块以及第二分类网络训练模块；超声图像分类模块包括图像采集模块和分类结果输出模块；

2.根据权利要求1所述的一种基于特征向量库匹配的乳腺良恶性结节分类系统，其特征在于：所述训练集预处理模块中，对乳腺结节超声图像进行裁剪，仅保留含有乳腺结节的部分图像；并去除掉无用信息，无用信息包括除乳腺结节外的多余图像和UI界面；同时也对图像进行填充以保证图像长宽相同。

3.根据权利要求1所述的一...

【技术特征摘要】

1.一种基于特征向量库匹配的乳腺良恶性结节分类系统，其特征在于：包括分类网络训练模块和超声图像分类模块，分类网络训练模块包括训练集构建模块、训练集预处理模块、样本挑选模块、第一分类网络训练模块以及第二分类网络训练模块；超声图像分类模块包括图像采集模块和分类结果输出模块；

2.根据权利要求1所述的一种基于特征向量库匹配的乳腺良恶性结节分类系统，其特征在于：所述训练集预处理模块中，对乳腺结节超声图像进行裁剪，仅保留含有乳腺结节的部分图像；并去除掉无用信息，无用信息包括除乳腺结节外的多余图像和ui界面；同时也对图像进行填充以保证图像长宽相同。

3.根据权利要求1所述的一种基于特征向量库匹配的乳腺良恶性结节分类系统，其特征在于：所述第一分类网络和第二分类网络均设置为convnext网络，convnext网络包括四层结构，不同层结构重复次数不同，第一层第二层及第四层结构均重复3次，第三层重复27次；每一层结构均包括一个下采样层和一个卷积层。

4.根据权利要求1所述的一种基于特征向量库匹配的乳腺良恶性结节分类系统，其特征在于：所述第一分类网络训练模块中，将分类结果和真实值输入交叉熵损失函数进行损失计算，并进行反向传播过程。

5.根据权利要求1所述的一种基于特征向量库匹配的乳腺良恶性结节分类系统，其特征在于：所述第二分类网络训练模块中，基于特征匹配的分类训练的输入是在第二分类网络中softmax层的上一线性层输出的特征向量，将随机超声图像的特征向量...

【专利技术属性】
技术研发人员：石一磊，胡敬良，牟立超，侯雨，陈咏虹，
申请(专利权)人：脉得智能科技无锡有限公司，
类型：发明
国别省市：