[发明专利]基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质

权利要求书

1.一种基于区分性卷积神经网络的乳腺肿瘤分类装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现：

对多幅超声图像中的肿瘤进行分割获取感兴趣区域并进行数据增广，得到训练图像集；

构建区分性卷积神经网络模型，基于所述训练图像集计算所述区分性卷积神经网络的模型参数；其中，所述区分性卷积神经网络模型的结构为：

包括连接的卷积层、池化层、多层卷积层-池化层循环和全连接层；

在池化层的输出端增加区分性辅助分支，接入卷积层、池化层和全连接层，并引入Inter-intra Loss函数用于增强同类之间的相似性以及不同类之间的差异性；所述分支中的卷积层连接在卷积神经网络的池化层上；

设计区分性辅助branch以及Inter-intra Loss，并将其引入到卷积神经网络架构中，获得区分性卷积神经网络，用于特征提取和分类，区分性辅助branch以及Inter-intraLoss能够增强特征的区分性；辅助branch主要用于增强学习到的特征的区分性；

通过最小化最小二乘Loss L_lsq和Inter-intra Loss L_inter-intra来获得每个层的参数；L_lsq用于进行训练数据拟合，L_inter-intra用于提高特征的区分性；在L_lsq中，第一项是拟合项，用于保证训练误差最小，第二项是正则化项，用于提高网络的泛化能力；在L_inter-intra中，第一项用于保证最小化类内差异性，第二项用于最大化类间的差异；

所述Inter-intra Loss函数为：

其中，c₁是第i类的中心，δ_qi是指示函数，若第q个样本属于第i类，δ_qi＝1，否则，δ_qi＝0，w是网络的参数，M表示训练样本的总个数，N表示训练图像集的类别数目。

2.如权利要求1所述的一种基于区分性卷积神经网络的乳腺肿瘤分类装置，其特征在于，所述对多幅超声图像中的肿瘤进行分割是基于C-V主动轮廓模型。

3.如权利要求1所述的一种基于区分性卷积神经网络的乳腺肿瘤分类装置，其特征在于，所述训练图像包括：对多幅超声图像中的肿瘤进行分割得到的部分感兴趣区域图像，以及基于所述感兴趣区域图像进行数据增广得到的图像。

4.如权利要求3所述的一种基于区分性卷积神经网络的乳腺肿瘤分类装置，其特征在于，所述数据增广是利用高斯噪声模型，通过变换模型的参数实现。

5.如权利要求1所述的一种基于区分性卷积神经网络的乳腺肿瘤分类装置，其特征在于，通过最小化最小二乘Loss和Inter-intra Loss来获得所述区分性卷积神经网络每个层的参数。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行：

对多幅超声图像中的肿瘤进行分割获取感兴趣区域并进行数据增广，得到训练图像集；

构建区分性卷积神经网络模型，基于所述训练图像集计算所述区分性卷积神经网络的模型参数；其中，所述区分性卷积神经网络模型的结构为：

包括连接的卷积层、池化层、多层卷积层-池化层循环和全连接层；

在池化层的输出端增加区分性辅助分支，接入卷积层、池化层和全连接层，并引入Inter-intra Loss函数用于增强同类之间的相似性以及不同类之间的差异性；所述分支中的卷积层连接在卷积神经网络的池化层上；

设计区分性辅助branch以及Inter-intra Loss，并将其引入到卷积神经网络架构中，获得区分性卷积神经网络，用于特征提取和分类，区分性辅助branch以及Inter-intraLoss能够增强特征的区分性；辅助branch主要用于增强学习到的特征的区分性；

通过最小化最小二乘Loss L_lsq和Inter-intra Loss L_inter-intra来获得每个层的参数；L_lsq用于进行训练数据拟合，L_inter-intra用于提高特征的区分性；在L_lsq中，第一项是拟合项，用于保证训练误差最小，第二项是正则化项，用于提高网络的泛化能力；在L_inter-intra中，第一项用于保证最小化类内差异性，第二项用于最大化类间的差异；

所述Inter-intra Loss函数为：

其中，c_i是第i类的中心，δ_qi是指示函数，若第q个样本属于第i类，δ_qi＝1，否则，δ_qi＝0，w是网络的参数，M表示训练样本的总个数，N表示训练图像集的类别数目。