[发明专利]基于DenseNet-II神经网络模型的乳腺X射线图像的良恶性分类方法

权利要求书

1.一种基于DenseNet-II神经网络模型的乳腺X射线图像的良恶性分类方法，其特征在于，包括：

获取已标记的乳腺X射线图像，并其进行图像预处理；

基于DenseNet神经网络模型，构建改进后的DenseNet-II神经网络模型；其中，对DenseNet神经网络模型的改进在于：将DenseNet神经网络模型中第一个卷积层替换为Inception结构；

将预处理后的乳腺X射线图像输入到改进后的模型中，通过10-fold交叉检验的训练策略，对DenseNet-II神经网络模型进行训练，验证和测试；

利用Adam算法优化交叉熵代价函数，使DenseNet-II神经网络模型模型更优，提高乳腺X射线图像良恶性的准确分类。

2.根据权利要求1所述的基于DenseNet-II神经网络模型的乳腺X射线图像的良恶性分类方法，其特征在于，对乳腺X射线图像进行预处理的步骤中，预处理的方法为图像归一化和数据集增强，其中归一化用于减少待分类乳腺X射线图像由于光线不均匀造成的干扰。

3.根据权利要求1所述的基于DenseNet-II神经网络模型的乳腺X射线图像的良恶性分类方法，其特征在于，利用数据增强的方法增大数据集，还包括对图像数据集进行数据集增强的步骤，数据集增强的方法包括仿射变换和随机裁剪；

其中，仿射变换是通对乳腺X射线图像做旋转90度、180度、270度、按照0.8的比例缩放、在水平和垂直方向作镜像的操作，将操作后的图像整合到数据集中。

4.根据权利要求3所述的基于DenseNet-II神经网络模型的乳腺X射线图像的良恶性分类方法，其特征在于，在对构建的DenseNet-II神经网络模型进行训练时，采用10折交叉验证方法，随机地将训练集平均分为10个互不相交且大小相同的子集，每次取1个子集作为测试数据集，取余下的9个样本作为训练数据集，其中，25％的训练集作为验证集；输入DenseNet-II神经网络模型进行训练，直到所有10个子集都做过1次测试集，即测试集循环了一圈，交叉验证的过程就结束；计算10次测试结果的准确率平均值作为模型整体的评价指标，从而得出准确率最高的模型。

5.根据权利要求4所述的基于DenseNet-II神经网络模型的乳腺X射线图像的良恶性分类方法，其特征在于，在DenseNet-II神经网络模型的训练的同时，利用Adam算法优化DenseNet-II神经网络模型，以实现DenseNet-II神经网络模型达到最佳。

6.根据权利要求5所述的基于DenseNet-II神经网络模型的乳腺X射线图像的良恶性分类方法，其特征在于，Adam算法的计算公式为：

其中，y为期望的输出，a为神经元实际输出，且a为:

[a＝σ(z),where z＝∑ω_j*x_j+b]。