[发明专利]一种基于BM3D和稠密卷积网络融合的肿瘤检测方法和装置

权利要求书

1.一种实现基于BM3D和稠密卷积网络融合的肿瘤检测方法的装置，其特征在于，包括：

存储器，用于存储计算机程序及基于BM3D和稠密卷积网络融合的肿瘤检测方法；

处理器，用于执行所述计算机程序及实现多存储器压力测试系统，以实现如基于BM3D和稠密卷积网络融合的肿瘤检测方法的步骤；

基于BM3D和稠密卷积网络融合的肿瘤检测方法的步骤包括：

步骤一，标记相似块；

步骤二，随机丢弃与快速标记；

步骤三，优化及训练DenseNet网络；

配置DenseNet结构,设置激活函数为SELU,每个稠密块增加最大池化层，利用稠密块的特征重用与连接机制，提取深层特征；

基于DenseNet结构，通过利用特征的高度加深特征学习,并使得稠密块中所有层均接收到控制信息；

在网络中每层的输出维度都有ψ个特征映射,使得网络深度加深,特征图的数量增多；ψ为增长率参数；

配置网络的稠密块结构,x₀是输入,H₁的输入是x₀；

H₂的输入是x₀和x₁,其中x₁是H₁的输出；

H₃的输入是x₀、x₁和x₂,其中x₂是H₂的输出；

设x_l是DenseNet中稠密块第l层的输出，l1；

基于DenseNet结构配置x_l，x_l通过对前一层第l-1层的输出x_l-1作用非线性变化H_l输出,其公式为:x_l＝H_l(x_l-1) (3)

其中,非线性变化H_l(x_l-1)的定义为:一个卷积接一个ReLU激活函数,并随机丢弃一些已训练的连接；

ReLU激活函数是分段线性函数,将所有负值皆转为0,并保持输入的正值不变；

对于非线性函数,使用ReLU激活函数免于梯度消失的问题；其激活公式如下:

在ResNet中，对深层网络的训练,引入残差块,允许梯度直接流向较早的层,并进行特征重用,实现对输出的标识映射相加，得到的输出x_l的公式变为:

x_l＝H_l(x_l-1)+x_l-1 (5)

在DenseNet中，以层与层之间直接连接的方式迭代连接所有的特性输出；第N层的输出x_l的公式为:

x_l＝H_l([x_l-1,x_l-2,…,x₀]) (6)

其中[…]表示连接操作,通过对输出的连接进行特征重用；H_l([x_l-1,x_l-2,…,x₀])的定义为:一个批量标准化层,后接ReLU激活函数再加一个卷积层和随机失活层；批量标准化层用于解决梯度消失与梯度爆炸问题,拥有正向传播和反向传播结构；随机失活层通过随机关闭神经元，解决信息的冗余问题；

当相似块标记产生数据输入时,先对该输入进行批处理规范化操作、SELU函数激活和卷积操作提取特征；其中SELU的公式为

SELU激活函数在预设参数下,其分布能自动归一化到0均值和单位方差；

对于满足给定公式(7)取特定值的λ和α或者按照给定的参数对权重初始化；

由于单稠密块中要求特征图保持相同大小,所以在不同特征图之间设置过渡层进行下采样，保证算法的实现；

过渡层是由批量标准化操作、卷积操作和池化操作组成；

过渡层之后,配置最大池化操作,对特征进行二度提取；

步骤四，利用输入图像的空间信息、结构信息以及提取的特征信息基于深度训练的数据进行重建。