[发明专利]一种基于BI-RADS的乳腺超声图像多尺度融合的分类方法

权利要求书

1.一种基于BI-RADS的乳腺超声图像多尺度融合的分类方法，其特征在于：包括步骤：

S1、前期数据准备，包括数据采集、数据预处理、数据增强、不平衡数据集和数据归一处理；

S2、特征提取，使用卷积核，输出特征图，并进行非线性函数激活后进行最大池化处理，得到浅层特征图和深层特征图，作为后续分类层的全连接层的输入；

S3、分类，两个全连接后进行四个softmax二分类，每一个二分类对应四位二进制类别编码中的每一位，将类别编码间的差异映射到网络的损失函数中，使得不同错分的代价不同；

S4、分类评价，采用各类的正确率与总的平均准确率作为分类性能评价标准。

2.如权利要求1所述的方法，其特征在于：数据增强包括如下步骤：

1)在(-5°，5°)范围内随机旋转2次；

2)原始图片随机剪切8次，之后在(-5°，5°)范围内随机旋转2次，其中随机剪切限制图片剪切的最大宽度为图像的1/4；

3)原始图片在(-5°，5°)范围内随机旋转12次。

3.如权利要求1所述的方法，其特征在于：数据不平衡中引入类别纠错编码，对每个类进行长度为4的二进制编码， 此时每个码位上的分类器只需要做一个二分类，赋予不同类间较大距离，此时错分为不同类别时的代价函数是不同的。

4.如权利要求1所述的方法，其特征在于：步骤S2的特征提取具体包括：

1)输入图片是128×96像素的1通道乳腺超声图像；

2)第一层conv1使用7×7的卷积核，滑动步长为2个像素，输出96个特征图，ReLU非线性激活后进行最大池化，并加入局部响应归一化，对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，以增加模型的泛化能力；

3)第二层conv2使用5×5的卷积核，滑动步长为2个像素，卷积产生256个特征图，ReLU非线性激活后先进行LRN层局部响应归一化再进行最大池化；

4)第三层conv3使用3×3的卷积核，输出384个特征图，ReLU非线性激活之后分为两支，一支直接进行最大池化，另一支的第四层使用3×3的卷积核输出384个特征图，第五层使用3×3的卷积核输出256个特征图并进行最大池化将两支的特征图拼接融合，综合浅层的特征图和深层特征图作为后续分类层的全连接层的输入。

5.如权利要求1所述的方法，其特征在于：步骤S3的分类具体包括：两个全连接后进行四个softmax二分类，每一个二分类对应四位二进制类别编码中的每一位，将类别编码间的差异映射到网络的损失函数中，使得不同错分的代价不同；损失函数为交叉熵和全连接层的权重损失的和，而交叉熵为四个二进制位每一位交叉熵的平均，最后一层的加权输入为：

其中是第j个神经元的第k个权重，b是偏移量，表示最后一层 L层网络的j个输出，使用softmax函数进行激活作为输出，即对进行softmax输出；第L层的第j个神经元的激活输出为：

分母部分是全部激活输出的和，全部激活输出的和总是等于1，即

激活输出为正确输出BI-RADS分类j的概率。