[发明专利]一种乳腺超声图像病灶智能识别防漏判系统的构建方法

权利要求书

1.一种乳腺超声图像病灶智能识别防漏判系统的构建方法，其特征在于：包括S1.数据准备，S2.深度神经网络模型设计，S3.防漏诊数据一致性设计，S4.防漏诊模型训练，S5.防漏诊模型测试。

2.根据权利要求1所述的乳腺超声图像病灶智能识别防漏判系统的构建方法，其特征在于：数据准备包括以下步骤：

S1.1.数据标注：对于彩超图像中发生乳腺癌病变的确切位置进行标注，以获取对应图像的标签，每一张彩超图像对应一个标签，0代表正常乳腺或者良性肿瘤，1代表恶性肿瘤；

S1.2.数据预处理：对于每个彩超报告，裁减掉除了彩超图像以外的其他信息以防止额外信息的干扰；将每张彩超图像重新拉伸或缩减至相同大小以适应网络输入大小；

S1.3.数据集划分：将预处理过后的彩超图像数据按照4:1的比例划分为训练集、测试集。

3.根据权利要求1所述的乳腺超声图像病灶智能识别防漏判系统的构建方法，其特征在于：深度神经网络模型设计包括以下步骤：

S2.1.训练数据增强：待训练彩超图像将进行随机角度旋转、随机中心剪裁、随机垂直翻转和随机水平翻转这几种方法叠加来扩充训练集；

S2.2.数据编码：将彩超图像数据转化为计算机模型能够识别的模式，对于每一张彩超图像，采用RGB三通道编码方式将其转化为对应的数值，同时压缩每张图片为同一大小以适应网络输入；每张图片的输入维度为3×图片长度×图片宽度；其对应标签，其中0代表正常乳腺或良性肿瘤，1代表恶性肿瘤；

S2.3.特征提取：将编码后的彩超图像数据输入到神经网络用于训练，整个神经网络包括多个不同尺度的卷积层，多个不同尺度的最大池化层，非线性激活函数ReLu函数，一个全局平均池化层；

S2.4.分类模块处理：将提取到的特征输入到该分类模块用于整合所有特征以获得最终的分类结果；该分类模块采用softmax函数，将对是否属于0类和是否属于1类分别给出概率值，最后选取给定概率最高的为预测结果；

S2.5.误差反向传播：分类模块输出结果后，将预测值与真实标签相减得到预测误差；运用BP算法将误差反向传播以更新网络中每一层的权值，最终通过不断地迭代训练出稳定的分类网络。

4.根据权利要求1所述的乳腺超声图像病灶智能识别防漏判系统的构建方法，其特征在于：防漏诊数据一致性设计基于以下两种一致性：空间一致性和分布一致性；

空间一致性，保证图像在空间上的一致性，每张图像在进入防漏诊模型训练之前将放入自编码网络进行图像复原；自编码网络的输入为通过各种方式获取的图像数据，输出为该图像对应的原始彩超图像；对于输入数据，自编码器将自动学习一种对应的映射关系，使得输出数据满足；其中编码器负责将输入压缩至中间特征，解码器负责将中间特征解码到对应数据分布；

分布一致性，采用生成对抗网络来实现分布一致性，原始训练数据集将被分为和两个子集，其中表示所有为阴性的乳腺彩超图像，表示所有为阳性的乳腺彩超图像；将随机生成的特征作为生成器的输入，生成器将自动学习生成分类器的输出特征，该特征在训练鉴别器时将赋予标签0，即假的特征；同时再将真正的分类网络输出的特征赋值为1，即真的特征；之后两种标签一齐放入鉴别器来训练它，通过生成器与鉴别器不断地对抗学习。