[发明专利]一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法

权利要求书

1.一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法，其特征在于，所述算法包括以下步骤：

S1，获取乳腺钼靶图像，采用阈值法和形态学法对乳腺钼靶图像进行预切割处理，剔除水印信息和无信息的黑色区域，放大乳腺区域的占图比例；

S2，采用全卷积神经网络结合多示例学习方法构建基础系统结构，将多语义上下文特征融合与空洞残差操作块结合，嵌入基础系统结构中，在保证系统对图像语义信息有效提取的前提下，保留系统对图像空间信息的感知，同时实现乳腺钼靶图像良恶性分类和肿瘤定位；

S3，模型训练阶段的损失函数分为两方面，其一是利用图像级标签计算图像的良恶性二分类交叉熵损失；其二是利用少量定位框标签计算示例的良恶性二分类交叉熵损失，两者进行加权和，得到总损失函数；

S4，利用S2中构建的基础系统结构和S3设计的总损失函数，以S1获得的乳腺钼靶图像为输入，利用反向传导过程训练S2构建的系统的模型参数；

S5，对输入的乳腺钼靶图像进行S1的预切割处理后，输入训练得到的系统模型中，得到示例概率回归图和图像概率回归值，得出该输入乳腺钼靶图像的良恶性分类和肿瘤定位结果。

2.根据权利要求1所述的一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法，其特征在于：在S2中，采用全卷积神经网络进行图像特征提取，获得通道维度为C，空间维度为W×h的语义特征图；再经过个3×3的C维卷积核，得到个W×h的语义特征图，经过ReLU激活函数进行非线性激活，再经过1个1×1的维卷积核，得到1个W×h的语义特征图；接着经过逐示例的逻辑斯特回归，得到1个W×h的概率回归图；逐示例的逻辑斯特回归公式如下所示：

其中，n代表第n张输入图片，ij代表第i列第j行，pⁿ_ij代表第n张输入图片的语义特征图在第i列第j行的概率回归值；经过逻辑斯特回归后每个示例的值被回归至[0,1]，代表各示例点为恶性肿块的概率，将概率回归图每个示例点按照空间位置对应关系还原至对应的原始图像块，概率值大于0.5的图像块即模型判定的恶性肿块区域，实现肿块定位；

对概率回归图进行最大值滤波，得到全图的良恶性分类概率结果，实现钼靶图像的良恶性分类；最大值滤波公式为：

其中，pⁿ代表第n张输入图片的良恶性概率值。

3.根据权利要求1所述的一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法，其特征在于：在S3中，损失函数分为两方面，其一利用图像级标签计算图像的良恶性二分类交叉熵损失，公式如下所示：

其中，yⁿ代表第n张图片的图像级分类标签，yⁿ∈{0，1}，当yⁿ＝0时，表示良性，当yⁿ＝1时，表示恶性；

其二，利用少量定位框标签计算示例的良恶性二分类交叉熵损失，公式如下所示：

其中，代表第n张图片的定位标注图在第i列第j行的分类标签，当时，表示良性，当时，表示恶性；

最终总损失函数为上述两者的加权和，公式如下所示：

其中，a_n＝1表示第n个样本带有定位标注，反之则a_n＝0；β是平衡因子，β∈{0，1}；

通过反向传导过程实现模型参数训练，迭代更新直至损失值足够小时，认为模型收敛，停止训练。