【技术实现步骤摘要】
本专利技术涉及图像识别，尤其涉及一种基于多分支cnn的乳腺病变mri图像识别方法。
技术介绍
1、乳腺癌是女性最常见的癌症，是仅次于心血管疾病的第二大死因。2020年，全球女性新诊断乳腺癌病例超过220万例。据报道，如果出现特定症状，就会检测出癌症。然而，研究发现，许多患有癌症的女性没有任何症状。除了对已知会导致癌症的brca1或brca2基因突变的人进行预防性乳房切除术外，癌症的初级预防还不现实。手术、化疗、放疗和激素治疗是癌症患者的经典治疗方法。因此，建议将筛查作为强制性步骤，以便在早期检测癌症。如果癌症在早期被发现，那么生命就可以被挽救。早期发现癌症有助于早期诊断和治疗。研究显示，那些在出现乳腺癌症症状后3个月内开始治疗的人，存活的机会更高，可以减少体内恶性细胞的增殖。
2、乳腺磁共振成像(mri)是一种良好的成像技术，mri能够产生高分辨率的图像，能够详细地揭示脑和其他组织的结构和功能，这种高分辨率成像有助于医生更准确地诊断病变。除此之外，与ct和x线相比，mri不使用电离辐射，这意味着患者可以反复多次进行检查而无需担心辐射累积带来的潜在风险。然而，越来越多的医学图像给放射科医生带来了更大的困难，他们可能会变得疲劳，从而导致错误的诊断。
3、许多传统的机器学习算法已被应用于相关的乳腺癌分析任务。然而，这些传统的机器学习方法依赖于人工特征提取，先验性强，模型泛化能力差，鲁棒性低，难以人工找到判别特征，难以解决乳腺癌亚型的分类问题。
4、近年来，随着深度学习技术的发展，深度学习算法在医学图
技术实现思路
1、本专利技术提供一种基于多分支cnn的乳腺病变mri图像识别方法，以克服上述技术问题。
2、一种基于多分支cnn的乳腺病变mri图像识别方法，包括
3、s1、获取乳腺mri图像数据集，通过医生勾勒出乳腺mri图像中的肿瘤轮廓，基于肿瘤轮廓对乳腺mri图像裁剪后得到轮廓区域图像，对轮廓区域图像进行数据增强，基于数据增强后的轮廓区域图像构建训练集，
4、s2、构建多分支cnn网络模型，所述多分支cnn网络模型包括多分支模块、通道和空间注意力模块、以及深度特征提取模块，所述多分支模块包括至少两类分支，一类分支用于提取轮廓区域图像的浅层特征，一类分支用于提取轮廓区域图像的深层特征，所述通道和空间注意力模块包括通道注意力模块和空间注意力模块，所述通道注意力模块用于学习深层特征中通道的通道注意力权重，并根据通道注意力权重对深层特征的通道进行筛选后作为通道特征，所述空间注意力模块用于学习通道特征中空间位置的空间注意力权重，并根据空间注意力权重对通道特征的空间位置进行筛选并作为通道空间特征，所述深度特征提取模块用于通过增加通道数提取浅层特征中的深度特征，将通道空间特征与深度特征进行融合后作为分类特征，根据分类特征对轮廓区域图像进行分类，
5、s3、基于训练集对多分支cnn网络模型进行训练，并获取训练后的多分支cnn网络模型，
6、s4、获取待分类的乳腺mri图像，基于训练后的多分支cnn网络模型对待分类的乳腺mri图像进行分类并获取分类结果。
7、优选地，所述多分支模块为四分支模块。
8、优选地，所述四分支模块包括第一分支dp1、第二分支sp1、第三分支sp2以及第四分支sp3，所述第一分支dp1用于提取轮廓区域图像的浅层特征，所述第二分支sp1、第三分支sp2和第四分支sp3用于提取轮廓区域图像的深层特征。
9、优选地，所述四分支模块中的第一分支dp1的处理流程为获取轮廓区域图像的第一特征图，所述第一特征图为通过将数据增强后的轮廓区域图像输入至卷积层conv1处理后得到，卷积层conv1的卷积核尺寸3×3、通道数16、步长为1、padding为1，第一特征图的尺寸为64×64×16，第一特征图经过卷积层conv2得到第二特征图，其中卷积层conv2的卷积核尺寸1×1、通道数128、步长为1、padding为0，第二特征图的维度为64×64×128，将尺寸为64×64×128的第二特征图作为深度卷积层dw1的输入，深度卷积层dw1的卷积核尺寸3×3、通道数128、步长为1、padding为1，深度卷积层dw1输出维度64×64×128的第三特征图；将尺寸为64×64×128的第三特征图作为挤压和激励块se的输入，挤压和激励块se输出维度为64×64×128的第四特征图；将尺寸为64×64×128第四特征图作为卷积层conv3的输入，卷积层conv3的卷积核尺寸1×1、通道数16、步长为1、padding为0，卷积层conv3输出维度64×64×16的第五特征图；将尺寸为64×64×16的第一特征图与尺寸为64×64×16的第五特征图进行短连接shortcut输出维度为64×64×16的第六特征图，
10、所述第二分支sp1的处理流程为将尺寸为64×64×16的第一特征图作为第二个分支sp1的输入，首先经过卷积层conv4，卷积层conv4的卷积核尺寸1×1、通道数8、步长为1、padding为0，卷积层conv4输出维度64×64×8的第七特征图；将尺寸为64×64×8的第七特征图作为深度卷积层dw2的输入，深度卷积层dw2的卷积核尺寸3×3、通道数8、步长为1、padding为1，深度卷积层dw2输出维度64×64×8的第八特征图；将尺寸为64×64×8的第八特征图作为卷积层conv5的输入，卷积层conv5的卷积核尺寸1×1、通道数16、步长为1、padding为0，卷积层conv5输出维度64×64×16的第九特征图；
11、所述第三分支sp2的处理流程为将尺寸为64×64×16的第一特征图作为第三个分支sp2的输入，首先经过卷积层conv6，卷积层conv6的卷积核尺寸1×1、通道数4、步长为1、padding为0，卷积层conv6输出维度64×64×4的第十特征图；将尺寸为64×64×4的第十特征图作为卷积层conv7的输入，卷积层conv7的卷积核尺寸1×3、通道数8、步长为1、padding为0，卷积层conv7输出维度64×64×8的第十一特征图；将尺寸为64×64×8的第十一特征图作为卷积层conv8的输入，卷积层conv8的卷积核尺寸3×1、通道数8、步长为1、padding为0，卷积层conv8输出维度64×64×8的第十二特征图；将尺寸为64×64×8的第十二特征图作为卷积层conv9的输入，卷积层con本文档来自技高网...
【技术保护点】
1.一种基于多分支CNN的乳腺病变MRI图像识别方法，其特征在于，包括
2.根据权利要求1所述的一种基于多分支CNN的乳腺病变MRI图像识别方法，其特征在于，所述多分支模块为四分支模块。
3.根据权利要求2所述的一种基于多分支CNN的乳腺病变MRI图像识别方法，其特征在于，所述四分支模块包括第一分支DP1、第二分支SP1、第三分支SP2以及第四分支SP3，所述第一分支DP1用于提取轮廓区域图像的浅层特征，所述第二分支SP1、第三分支SP2和第四分支SP3用于提取轮廓区域图像的深层特征。
4.根据权利要求3所述的一种基于多分支CNN的乳腺病变MRI图像识别方法，其特征在于，所述四分支模块中的第一分支DP1的处理流程为获取轮廓区域图像的第一特征图，所述第一特征图为通过将数据增强后的轮廓区域图像输入至卷积层Conv1处理后得到，卷积层Conv1的卷积核尺寸3×3、通道数16、步长为1、padding为1，第一特征图的尺寸为64×64×16，第一特征图经过卷积层Conv2得到第二特征图，其中卷积层Conv2的卷积核尺寸1×1、通道数128、步长为1、p
5.根据权利要求1所述的一种基于多分支CNN的乳腺病变MRI图像识别方法，其特征在于，所述分类结果包括四种，分别为0、1+、2+、3+四种情况，0和1+为阴性，3+为阳性，Her2+提示阳性或者阴性不能确定。
...【技术特征摘要】
1.一种基于多分支cnn的乳腺病变mri图像识别方法，其特征在于，包括
2.根据权利要求1所述的一种基于多分支cnn的乳腺病变mri图像识别方法，其特征在于，所述多分支模块为四分支模块。
3.根据权利要求2所述的一种基于多分支cnn的乳腺病变mri图像识别方法，其特征在于，所述四分支模块包括第一分支dp1、第二分支sp1、第三分支sp2以及第四分支sp3，所述第一分支dp1用于提取轮廓区域图像的浅层特征，所述第二分支sp1、第三分支sp2和第四分支sp3用于提取轮廓区域图像的深层特征。
4.根据权利要求3所述的一种基于多分支cnn的乳腺病变mri图像识别方法，其特征在于，所述四分支模块中的第一分支dp1的处理流程为获取轮廓区域图像的第一特征图，所述第一特征图为通过将数据增强后的轮廓区域图像输入至卷积层conv1处理后得到，卷积层conv1的卷积核尺寸3×3、通道数16、步长为1、padding为1，第一特征图的尺寸为64×64×16，第一特征图经过卷积层conv2得到第二特征图，其中卷积层conv2的卷积核尺寸1×1...
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。