[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

权利要求书

1.一种基于迁移学习的乳腺癌图像检测系统，其特征在于，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。

2.根据权利要求1所述的一种基于迁移学习的乳腺癌图像检测系统的使用方法，其特征在于，步骤如下：

步骤1：通过数据获取模块从DDSM数据集获取中获得已标记好的乳腺钼靶X射线影像作为样本，均衡选取健康、良性与恶性三者的样本，通过图像处理模块对样本进行预处理，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；

步骤2：下载预先在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，作为图像检测模块；

步骤3：对图像处理模块进行训练，使用预训练参数初始化Inception-SVMs中的卷积层，并冻结卷积层作为固定的特征提取器进行训练；训练时采用5折交叉验证，最终返回4次测试结果的均值作为模型的评价指标，并选取准确率最高的模型，以RAdam优化器替代随机梯度下降；

步骤4：将待检测的乳腺癌钼靶X射线影像输入图像检测模块，获得最终的乳腺癌图像检测结果。

3.根据权利要求2所述的一种基于迁移学习的乳腺癌图像检测系统的使用方法，其特征在于，步骤1具体操作如下：

通过过数据获取模块获得已标记好的乳腺钼靶X射线影像，包括健康与患病两类影像，其中，患病影像可分为良性与恶性；在保留尽可能多样本的原则下，选取健康、良性与恶性三者的样本使其比例趋近于2：1：1；通过图像处理模块进行样本预处理，根据医学先验知识乳腺钼靶X射线影像即样本的背景是全黑的，乳腺区域的灰度值较大，运用Otsu最大类间方差法对样本进行分割并保存为相同的尺寸A；

由于样本量的增加可以一定程度上降低深度学习过程中的过拟合问题，提升模型的泛化性能，可以采取对影像进行旋转、镜像、放缩的手段增加样本量；具体为对每个影像旋转-90°、90°和180°，做水平镜像、垂直镜像、0.8倍缩小、1.2倍的放大作并保存为相同的尺寸A；由此可将样本量扩增至原样本量的24倍，得到最终的数据集。

4.根据权利要求3所述的一种基于迁移学习的乳腺癌图像检测系统的使用方法，其特征在于，步骤2具体操作如下：

深度学习的高性能通常依附于庞大的数据集，为了达到满意的结果，考虑采取基于迁移学习的方式；下载预先在ImageNet上训练好的Inception-v3模型；

实现乳腺癌图像的检测可以视为一个三分类问题，同时该三分类问题可分解为先将所有样本分成两个类健康与患病，再对患病子类进一步划分成两个次级子类即良性与恶性，由此可以采用两个支持向量机(SVM)完成分类任务；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，作为图像检测模块。

5.根据权利要求4所述的一种基于迁移学习的乳腺癌图像检测系统的使用方法，其特征在于，步骤3具体操作如下：

对图像检测模块进行训练，使用在ImageNet上预训练的Inception-v3模型的参数来初始化Inception-SVMs中的卷积层，并冻结卷积层作为固定的特征提取器进行训练；

训练时采用5折交叉验证，即对步骤1中获取的数据集划分为5个大小相似的互斥子集，每个子集尽可能保持健康、良性与恶性样本比例趋近一致；然后，每次用4个子集的并集作为训练集，余下的子集作为测试集，从而可进行4次训练和测试，最终返回4次测试结果的均值作为模型的评价指标，并选取准确率最高的模型；以RAdam优化器替代随机梯度下降，RAdam可做到在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。