[发明专利]一种基于深度学习的DBT微钙化簇良恶性分类方法和装置

权利要求书

1.一种基于深度学习的DBT微钙化簇良恶性分类方法，其特征在于，所述方法包括：

获取样本DBT数据，所述样本DBT数据包括样本DBT图像以及每个样本DBT图像所对应的DBT微钙化簇良恶性分类；

根据所述样本DBT数据以及随机梯度下降方法训练分类神经网络，得到训练后的所述分类神经网络，训练后的所述分类神经网络用于确定目标DBT图像所对应的目标DBT微钙化簇良恶性分类；所述分类神经网络融合有二维神经网络和三维神经网络，所述二维神经网络的输出特征和所述三维神经网络的输出特征经过全局平均池化之后拼接得到特征向量，此后通过全连接层和分类层得到每个样本DBT数据所对应的DBT微钙化簇良恶性分类；所述二维神经网络用于提取焦点切片特征，所述三维神经网络用于提取三维空间特征，所述三维神经网络采用各向异性卷积核进行特征提取。

2.根据权利要求1所述的方法，其特征在于，所述二维神经网络的第一层和第四层之后设置有双重注意力模块，所述双重注意力模块包括位置注意力模块和通道注意力模块，所述位置注意力模块用于获取特征图在任意两个位置之间的空间位置关系，所述通道注意力模块用于获取任意两个通道图之间的通道关系。

3.根据权利要求1所述的方法，其特征在于，所述三维神经网络包括Residual模块和Context模块，所述Residual模块用于提取层内特征，所述Context模块用于提取层间特征。

4.根据权利要求3所述的方法，其特征在于，所述三维神经网络包括两个Residual模块和两个Context模块，第一个Residual模块的输出作为第二个Residual模块和第一个Context模块的输入，将第二个Residual模块的输出作为第二个Context模块的输入，两个Context模块的输出经过全局平均池化后进行拼接融合，得到融合后的特征向量。

5.根据权利要求1至4任一所述的方法，其特征在于，在训练所述分类神经网络时，采用焦点损失函数对所述分类神经网络进行训练。

6.根据权利要求5所述的方法，其特征在于，所述焦点损失函数为：

其中，y为样本DBT图像所对应的DBT微钙化簇良恶性分类，y′为激活函数的输出，在0-1之间；α和γ为平衡因子，其中α用来平衡正负样本本身的比例不平衡，γ因子调节简单样本权重降低的速率。

7.根据权利要求1至4任一所述的方法，其特征在于，所述根据所述样本DBT数据以及随机梯度下降方法训练分类神经网络，得到训练后的所述分类神经网络之前，所述方法还包括：

确定每个样本DBT图像的焦点切片并选取预设尺寸的图像块；

所述根据所述样本DBT数据以及随机梯度下降方法训练分类神经网络，得到训练后的所述分类神经网络，包括：

根据确定的每个图像块以及所述随机梯度下降方法训练分类神经网络，得到训练后的所述分类神经网络。

8.一种基于深度学习的DBT微钙化簇良恶性分类方法，其特征在于，所述方法包括：

获取目标DBT图像；

将所述目标DBT图像输入至训练后的分类神经网络，训练后的所述分类神经网络输出所述目标DBT图像所对应的目标DBT微钙化簇良恶性分类，训练后的所述分类神经网络为通过如权利要求1至6任一所述的方法训练得到。

9.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现如权利要求1至8任一所述的方法。

10.一种基于深度学习的DBT微钙化簇良恶性分类装置，其特征在于，所述装置包括处理器和存储器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现如权利要求1至8任一所述的方法。