[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

摘要

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，用阈值法和形态学法对乳腺钼靶图像进行预处理，剔除水印信息和无信息区域，放大乳腺区域占图比例；全卷积神经网络结合多示例学习方法构建基础系统结构；模型训练阶段的损失函数分为：利用图像级标签计算图像的良恶性二分类交叉熵损失；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，两者加权和得到总损失函数；利用基础系统结构和总损失函数，以乳腺钼靶图像为输入，利用反向传导过程训练系统模型参数，对输入进行预切割处理后，得到示例概率回归图和图像概率回归值，得出该输入图像的良恶性分类和肿瘤定位结果。本发明克服了先前仅利用图像级标签的方法肿块定位效果差的问题。

主权项

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：/nS1，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；/nS2，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；/nS3，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；/nS4，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；/nS5，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。/n