[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

说明书

本发明涉及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。该方法运用了基于深度学习的图像分类算法，实现对于乳腺钼靶图像的乳腺密度分类，并且运用了基于轻量级神经网络的深度学习框架。本发明方法显著提高了在小规模图像数据集上的适应性，进而提高了乳腺密度分类的准确性和处理速度，能够实现乳腺钼靶图像的自动化乳腺密度分类。

技术领域

本发明属于生物医学领域，具体涉及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。

背景技术

乳腺钼靶全称乳腺钼靶X线摄影检查，又称钼钯检查，是目前诊断乳腺疾病的首选和最简便、最可靠的无创性检测手段，痛苦相对较小，简便易行，且分辨率高，重复性好，留取的图像可供前后对比，不受年龄、体形的限制，目前已作为常规的检查手段。乳腺钼靶作为一种相对无创性的检查方法，可以比较全面而正确地反应出整个乳腺的大体解剖结构，观察各种生理因素如月经周期、妊娠、哺乳等对乳腺结构的影响，并可以动态观察；协助鉴别出乳腺的良性病变和恶性肿瘤；早期发现可疑病变，定期随访摄片观察；对于乳腺癌患者进行内分泌治疗、放疗、化疗后的病变情况进行随访检查，观察疗效，并对健侧乳腺进行定期监测。

乳腺钼靶是目前乳腺癌筛查最重要的无创性检查手段，乳腺影像报告和数据系统(BI-RADS)将钼靶乳腺密度分为四级，作为重要诊断基础。然而在医学钼靶图像样本数量少、差异大、密度分布不均等特点，对于乳腺钼靶图像处理与分析应用而言，人工识别方式只能对乳腺区域边界进行简单划分，并对区域内乳腺密度进行定性的估计，已经难以满足乳腺密度分类对于精度和速度的要求，而传统的乳腺钼靶图像自动密度分类方法也存在着严重影响分析结果的的缺点：乳腺本身且形态各异，难以采用传统基于形态模型的方法对各类组织进行分割，造成乳腺和图像背景之间边界划分不准确；乳腺内部各类组织密度分布极不均匀，使得密度分布柱状图统计结果容易以偏概全，造成乳腺整体密度的统计分析发生错误，严重影响了乳腺钼靶密度分类的判别精度和处理速度。

发明内容

本发明的目的在于提供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，利用乳腺常规检测所产生的乳腺钼靶图像之后，对数字化的乳腺钼靶图像进行基于深度学习的处理与分析，从而自动的将乳腺钼靶图像进行密度分类，以减轻影像医师工作量，提高乳腺疾病诊断率。

为实现上述目的，本发明的技术方案是：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，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；

(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输入样本数量至深度学习框架，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；