[发明专利]一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法

权利要求书

1.一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法，其特征在于包括以下步骤：

步骤S1：给定一个中等规模以上的乳腺B超病灶区域图像集，所述中等规模表示该图像集至少含有200幅以上的乳腺B超诊断图像；

步骤S2：手动提取步骤S1中图像集离每一张乳腺B超诊断图像的乳腺B超病灶区域图像ROI，并将全部的乳腺B超病灶区域图像ROI作为训练集的样本；其中所述乳腺B超病灶区域图像ROI的大小为150×150；

步骤S3：将训练集用于面向初始特征提取的卷积受限玻尔兹曼机CRBM的训练；

步骤S4：采用CD算法训练面向初始特征提取的卷积受限玻尔兹曼机CRBM，得到面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设置；

步骤S5：给定一幅乳腺B超病灶区域图像，将其作为面向初始特征提取的卷积受限玻尔兹曼机CRBM的输入，并从所述卷积受限玻尔兹曼机CRBM的输出层输出提取得到维度为117600维的初始特征；

步骤S6：利用主成分分析法PCA对步骤S5得到的维度为117600维的初始特征进行降维处理，得到低维的乳腺B超图像特征，其中低维表示维度为100维，该100维的乳腺B超图像特征可应用于后续计算机辅助诊断中；

步骤S4中所述面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设置如下：输入层大小设置为150×150，即N_v取150，输入层偏置c设为0；滤波器大小设置为10×10，即N_W取10，滤波器组个数取24个，即K设置为24，卷积层特征图被分割为多个无重叠的2×2的待汇聚B_α小块，汇聚比例C取2；给定输入层v，则卷积层，即隐层单元的条件概率为：

给定输入层v，则pooling层单元的条件概率为：

给定卷积层，即隐层h,则输入层单元的条件概率为：

输入层偏置c取0；

其中表示由可见层传输到卷积层的信号，b^k表示第k个滤波器对应的卷积层特征图偏置，该特征图上所有单元共享同一个偏置b^k，W^k表示第k个滤波器的系数矩阵，即卷积核，表示W^k矩阵同时纵向横向翻转，B_α表示2×2的待汇聚的小块，i,j在B_α中取值，代表行和列索引，1≤i,j≤2，表示卷积层中第k个特征图上任意B_α小块中第i行j列的单元，1≤i,j≤2，*表示卷积操作，σ表示sigmoid函数，h^k表示特征图。

2.根据权利要求1所述的一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法，其特征在于：所述步骤S3中的卷积受限玻尔兹曼机CRBM包含输入层、隐层和pooling层，其中输入层为乳腺B超病灶区域图像，输出层为pooling层，pooling层每个单元的概率值表示乳腺B超病灶区域图像的初始浅层特征。