[发明专利]基于轻量级神经网络的乳腺钼靶图像深度学习分类方法

权利要求书

1.一种基于轻量级神经网络的乳腺钼靶图像深度学习分类方法，其特征在于：包括如下步骤，

(I)对已知密度分类的乳腺钼靶数据集中所有原始图像进行像素灰度梯度权重计算，得到对应的梯度权重图；具体实现过程如下：

a)从上至下、从左至右遍历图像每个像素，计算每个像素与水平方向和垂直方向的相邻像素之间的差值，并将得到的两个差值相加，得到包含水平和垂直方向变化信息的梯度；

b)单个像素的梯度权值为其梯度的倒数，所有像素的梯度权值组成与原始图像大小一致的梯度权值图像；

(II)对所述梯度权重图进行封闭区域的侵蚀和膨胀操作，去除图像中的人工干扰物，得到仅包含乳房与胸部肌肉的前景区域图像；

(III)对所述已知密度分类的乳腺钼靶数据集中所有原始图像与其对应的前景区域图像相融合，得到仅包含胸部肌肉和乳腺的图像训练集；

(IV)构建基于轻量级神经网络的深度学习框架，共包含12层，按照顺序依次包含一个输入层、一个含卷积核并采用修正线性单元激活函数的卷积层、一个含卷积核并采用最大采样函数的池化层、一个含卷积核并采用ReLU激活函数的卷积层、一个含卷积核并采用Maxpooling的池化层、一个含卷积核并采用ReLU激活函数的卷积层、一个含卷积核并采用Maxpooling的池化层、一个数据平面化层、一个64位全连接层、一个丢弃比例为0.5的数据丢弃层、一个4位全连接层、以及一个采用归一化指数激活函数的激活层作为输出层；

(V) 对所述的训练集图像经过样本扩展增加至深度学习框架，由神经网络自动计算分类结果并与真实分类进行比较，所得误差反馈至神经网络中对各卷积核参数进行修正，训练集图像经过修正后的网络重新计算分类结果并与真实分类进行比较，误差反馈至神经网络进行修正，如此循环200次，完成训练过程；

(VI)对未分类的图像进行像素灰度梯度权重计算，得到对应的梯度权重图；具体实现过程如下：

a)从上至下、从左至右遍历图像每个像素，计算每个像素与水平方向和垂直方向的相邻像素之间的差值，并将得到的两个差值相加，得到包含水平和垂直方向变化信息的梯度；

b)单个像素的梯度权值为其梯度的倒数，所有像素的梯度权值组成与原始图像大小一致的梯度权值图像；

(VII)对所述未分类图像的梯度权重图进行封闭区域的侵蚀和膨胀操作，去除图像中的人工干扰物，得到仅包含乳房与胸部肌肉的前景区域图像；

(VIII)对所述的未分类原始图像与其对应的前景区域图像相融合，得到仅包含胸部肌肉和乳腺的测试图像；

(IX)对所述的测试图像输入至完成训练的神经网络，由神经网络自动计算分类结果，完成测试过程。

2.根据权利要求1所述的方法，其特征在于：所述步骤(II)的具体实现过程如下：

a)对梯度权重图进行侵蚀操作，以大小为5个像素的菱形为结构元素对象，对图像封闭区域的边缘进行侵蚀操作，去除图像中宽度小于10个像素的线性物体，将包含乳房与胸部肌肉的前景区域与人工干扰物分隔开来；

b)对去除宽度小于10个像素的线性物体后的梯度权值图像进行膨胀操作，以大小为5个像素的菱形为结构元素对象，对图像封闭区域的边缘进行膨胀操作，恢复图像中主体结构的原有边界；

c)由于乳房与胸部肌肉区域是钼靶图像主体结构，保留梯度权值图像中面积最大的结构，即为仅包含乳房与胸部肌肉的前景区域，该区域的边界即前景和背景之间边界。

3.根据权利要求1所述的方法，其特征在于：所述步骤(III)的具体实现过程如下：

a) 将二值化的仅包含乳房与胸部肌肉的前景区域图像Mask变换为相应原始图像的位数；

b)将乳腺钼靶数据集中所有原始图像与其一一对应的同样尺寸的前景区域图像进行矩阵点乘操作，点乘操作后的矩阵即为前景图像；

c)对数据库中所有图像重复进行点乘操作，得到仅包含胸部肌肉和乳腺的图像训练集。