[发明专利]一种基于迁移学习的乳腺癌图像检测系统及方法

说明书

本发明提供一种基于迁移学习的乳腺癌图像检测系统及方法。本发明系统包括数据获取模块、图像处理模块和图像检测模块；通过数据获取模块获取已标记好的乳腺钼靶X射线影像，通过图像处理模块对X射线影像进行预处理，扩增样本量得到数据集；将Inception‑v3模型中的softmax分类器替换成两个支持向量机作为图像检测模块对处理后的X射线影像进行检测。本发明系统对样本进行预处理，增加样本量，降低深度学习过程中的过拟合问题，提升模型的泛化性能，以RAdam优化器替代随机梯度下降，不需要可调参数预热且能保证收敛速度快的同时，不轻易落入局部最优解。

技术领域

本发明涉及医学图像处理领域，具体涉及一种基于迁移学习的乳腺癌图像检测系统及方法。

背景技术

恶性肿瘤(癌症)严重威胁着中国人群的健康，近十几年来恶性肿瘤的发病及其死亡率均呈现持续上升的态势，而乳腺癌则位列女性癌症发病率的首位，将近是日前极受人们重视的宫颈癌发病率的三倍。扩大乳腺癌的筛查范围，尽可能地做到及早诊断与治疗，可以在一定程度上降低乳腺癌的死亡率。为此在可预见的未来，需要进行诊断的人次会呈现不断增长的趋势。

医学成像技术在乳腺癌的检测中起着非常重要的作用，通常为超声成像、磁共振成像(MRI)、钼靶X射线成像三种，其中钼靶X射线成像的密度分辨率较高，可以在乳腺组织中出现异常生长的早期发现可疑的肿块或癌变区域。同时因钼靶X射线成像具有操作便捷、对患者的伤害小以及价格便宜的优势可作为乳腺癌检查的首选方式。然而对于钼靶X射线影像的判断目前高度依赖影像科医生的经验判断，准确性因医生而异受制于多重主观因素。与此同时，经过长达三十多年的研究，人工智能辅助图像检测方法的研究在不同疾病的应用中取得了一定的成果，能够辅助提高临床检测，大幅度降低医生的诊断时间。基于大数据背景下迅速成长的深度学习可以实现影像到检测结果的端对端学习。

深度学习的高性能通常依附于庞大的数据集，在数据集较小的运用环境中不能发挥自身的优势。在医学图像处理领域，获取大样本的数据库非常困难，需要耗费极大规模的时间、金钱与医疗人员成本。

发明内容

本发明主要考虑了现阶段乳腺癌数据量小，潜在乳腺癌图像检测数据量大的问题，提出了一种基于迁移学习的乳腺癌图像检测系统及方法，旨在克服乳腺癌大样本的收集难度，并能运用于潜在的大规模乳腺癌筛查中。

本发明针对上述的情况，对获得的已标记样本进行预处理，扩增样本量得到数据集；将Inception-v3模型中的softmax分类器替换成两个支持向量机，使其适用于三分类的问题；使用预训练参数初始化Inception-SVMs中的卷积层，冻结卷积层；采用5折交叉验证进行训练，以RAdam优化器替代随机梯度下降。所述的Inception-SVMs基于Inception-v3模型，将模型中的softmax分类器替换成两个支持向量机。

一种基于迁移学习的乳腺癌图像检测系统，包括数据获取模块、图像处理模块和图像检测模块。

所述的数据获取模块，从DDSM数据集获取已标记好的乳腺钼靶X射线影像，均衡选取健康、良性与恶性三者的样本。

所述的图像处理模块对数据获取模块获得的样本进行处理，首先运用Otsu最大类间方差法对样本进行分割，接着对影像进行旋转、镜像、放缩使得样本量扩增至原样本量的24倍，得到最终的数据集。

所述的图像检测模块采用预先在ImageNet上训练好的Inception-v3模型，修改Inception-v3模型，将模型中的softmax分类器替换成两个支持向量机，命名为Inception-SVMs。

一种基于迁移学习的乳腺癌图像检测系统的使用方法，具体步骤如下：