[发明专利]一种乳腺癌的病灶检测方法

权利要求书

1.一种乳腺癌的病灶检测方法，其特征在于，包括以下步骤：

获取与乳腺癌相关的图像数据集；

基于Faster-RCNN网络建立乳腺癌影像识别模型，并在所述Faster-RCNN网络的RPN网络中增加一条动态权重调整分支，形成构建好的乳腺癌影像识别模型；

基于获取到的图像数据集对构建好的乳腺癌影像识别模型进行训练，得到训练好的乳腺癌影像识别模型；

将实际获取的乳腺癌影像输入训练好的乳腺癌影像识别模型，得到识别结果。

2.根据权利要求1所述的一种乳腺癌的病灶检测方法，其特征在于，所述RPN网络包括用于判断前后背景的背景判断分支、用于调整参数位置的位置参数调整分支以及用于进行权重调整的所述动态权重调整分支。

3.根据权利要求2所述的一种乳腺癌的病灶检测方法，其特征在于，所述动态权重调整分支用于计算每一个目标类的先验标注框的数量，再计算所有目标类的先验标注框的数量分布，基于所述数量分布对Focal Loss函数的权重进行修改。

4.根据权利要求3所述的一种乳腺癌的病灶检测方法，其特征在于，所述动态权重调整分支修改所述Focal Loss函数的权重的步骤如下所述：

A.所述动态权重调整分支首先采用1*1的卷积模块，其输出通道数与标签类别的数量相等，达到特征整合的目的；

B.通过1*1的卷积模块连接的softmax模块计算所有锚框对应所有分类的得分，得分最高的一项所对应的类别即为任意锚框的标签类别；

C.基于非极大值抑制策略得到候选框；

D.统计所有类别的候选框数量，形成weight_ratio_info学习参数，并将所述学习参数合并到classifier的损失函数上，用于修改Focal Loss函数的权重。

5.根据权利要求4所述的一种乳腺癌的病灶检测方法，其特征在于，所述步骤D包括以下步骤：

D1.将通过非极大值抑制后的锚框进行重新组合，并在每个批次的数据训练中，计算每个批次中各个类别的锚框总数量分布以及所有类别的锚框总数量；

D2.基于如下公式计算动态权重：

σ(x)＝1/(1+e^-x)；

C_i＝max(NMS(σ(R×I×9),nms))；

式中：σ(.)表示softmax函数，x表示输入；nms表示Faster-RCNN网络中nms值，nms是一个超参数；NMS是非极大值抑制函数，C表示类别，i表示类别索引；N表示类别数量，w_i表示任意一个类别的动态权重；1-w_i表示索引为i的类别的动态学习权重；表示惩罚参数。

6.根据权利要求1所述的一种乳腺癌的病灶检测方法，其特征在于，所述数据集包括乳腺DDSM数据集以及VOC2007数据集；

所述VOC2007数据集用于验证乳腺癌影像识别模型的有效性；

所述DDSM数据集用于验证算法在恶性乳腺结节、良性乳腺结节以及乳腺钙化三个具体类别上的病灶检测。

7.根据权利要求6所述的一种乳腺癌的病灶检测方法，其特征在于，所述VOC2007数据集为RGB数据集且为三通道，DDSM数据集为乳腺x光片数据集且为单通道；并对所述DDSM数据集进行预处理。

8.根据权利要求7所述的一种乳腺癌的病灶检测方法，其特征在于，所述预处理包括去掉数据中的标记以及噪声，并提取最大的轮廓；所述DDSM数据采用的是轮廓标注，将所述轮廓标注变换为矩形框的标注，并形成与VOC2007训练数据集相同的训练数据格式。

9.根据权利要求6所述的一种乳腺癌的病灶检测方法，其特征在于，将所述乳腺DDSM数据集以及VOC2007数据集划分为训练集、测试集以及验证集，分别用于乳腺癌影像识别模型的训练、验证以及评估。