[发明专利]一种乳腺癌的病灶检测方法

说明书

本发明属于目标检测技术领域，尤其涉及一种乳腺癌的病灶检测方法，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。本发明基于动态权重调整分支，调整FL函数权重参数，从而实现了FL函数权重参数的动态调整，使得FL函数权重参数具备敏感性。

技术领域

本发明属于目标检测技术领域，尤其涉及一种乳腺癌的病灶检测方法。

背景技术

乳腺癌(Breast Cancer，BC)在国内外女性中的发病率呈逐年上升趋势，是女性三大恶性肿瘤之一。在国内，由于缺乏相关的健康意识，导致女性患乳腺癌的风险居高不下。早期的乳腺癌经过治疗预后比较好。中后期的乳腺癌治疗不易，可能给患者的生活带来严重的不便以及精神压力。因此，对于乳腺癌的预测能够降低病人患乳腺癌的风险，并针对性的治疗。乳腺癌病灶包乳腺结节以钙化两大类，乳腺结节又划分为良性以及恶行，通常良结节对生活没有太大的影响，但有向恶性结节发展的风险。通常钙化是良性的，恶性钙化通常伴随在恶结节的周围。同时乳腺癌在年龄为20岁以下以及绝经的女性中占比较少，40-55岁之间的女性占比较高。而对于20-40之间的育龄女性，降低乳腺癌患病的风险是非常必要的。

传统的乳腺癌筛查与诊断需要临床医生以及影像医生有着丰富的从业经验，不同的医生在具体的业务中所表现出的临床诊断经验具有差异性。因此，乳腺癌的诊断存在着误诊的风险。此外，依靠人眼观察医学影像，很难快速地得到结果。原因在于乳腺结节与周围邻域组织的(Hounsfield Unit，HU)值表现差异性较低以乳腺钙化的形状、分布、纹理等情况是不可预测的，对于医生的要求比较高。

基于以上几点，利用神经网络强大的泛化能力提取人眼不能识别到的高阶乳腺X光片特征,实现目标病灶的定位以及分类，在现有的研究中比较常见，且已经被证明在实际的应用中具有可行性。

病灶筛查与诊断属于目标检测与识别，现有基于神经网络的算法有基YOLO系和RCNN系列算法，其中经典的算法包括Yolo-v3、Yolo-v5以及Faster-RCNN、Retinanet等。就算法的精度而言，由于Faster-RCNN的精度更高且医学DICOM图像相对于RGB图像更难获取丰富的高阶特征。因此YOLO系列算法更适合RGB图像的目标检测与识别，Faster-RCNN更适合DICOM图像的目标检测与识别。虽然牺牲了时间复杂度，但精准度以及准确率更高。但缺点也很明显，现有基于Faster-RCNN网络的目标识别方法中，例如FL(Focal loss)损失函数起权重参数是固定的，在每一个小批次数据训练中，无法根据样本中每个目标类别的已经标注的先验框的数量分布，进行FL函数权重参数的调整。因此，FL函数权重参数不具备敏感性。

发明内容

为了解决上述现有技术中存在的技术问题，本发明提供了一种乳腺癌的病灶检测方法，拟解决现有技术中提到的FL函数权重参数不具有敏感性的问题。

为解决上述技术问题，本发明采用的技术方案如下：

一种乳腺癌的病灶检测方法，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。