[发明专利]基于两次迁移卷积神经网络的乳腺结构紊乱识别方法

权利要求书

1.一种基于两次迁移卷积神经网络识别乳腺结构紊乱的方法，包含如下步骤：

S1、数据增强，利用几何变换对训练集中已知类别标签的恶性肿块和结构紊乱样本进行增强；

S2、第一次迁移学习,使用在ImageNet数据集上训练的模型参数对目标卷积神经网络进行初始化；

S3、第二次迁移学习，使用恶性肿块图像和正常乳腺组织图像对目标卷积神经网络进行训练；

S4、目标卷积神经网络进一步微调，此阶段使用训练集中已知类别标签的结构紊乱图像和正常乳腺组织图像在第二次迁移学习的基础上进一步训练；

S5、结构紊乱识别，将待预测图像作为训练好的目标卷积神经网络模型的输入，其输出即为所需分类结果。

2.根据权利要求1所述的基于两次迁移卷积神经网络识别乳腺结构紊乱的方法，其特征在于：步骤S1中的所述几何变换包括平移、旋转和缩放。

3.根据权利要求1所述的基于两次迁移卷积神经网络识别乳腺结构紊乱的方法，其特征在于：所述目标卷积神经网络模型包括21层，第一层依次为卷积层、激活函数层、BatchNorm层和最大池化层，第二层依次为卷积层、激活函数层、BatchNorm层和最大池化层，第三层依次为卷积层、激活函数层，第四层依次为卷积层、激活函数层，第五层依次为卷积层、激活函数层和最大池化层，第六层是全连接层Fc6，包含4096个节点，第七层是全连接层Fc7，包含4096个节点，第八层是节点数为2的全连接层Fc8，最后一层是softmaxloss层。

4.根据权利要求3所述的基于两次迁移卷积神经网络识别乳腺结构紊乱的方法，其特征在于：所述第一层卷积层为64个大小为11×11的滤波器，第二层卷积层为256个大小为5×5的滤波器，第三层、第四层和第五层卷积层均为256个大小为3×3的滤波器。

5.根据权利要求3所述的基于两次迁移卷积神经网络识别乳腺结构紊乱的方法，其特征在于：所述激活函数层为ReLU激活函数。

6.根据权利要求3所述的基于两次迁移卷积神经网络识别乳腺结构紊乱的方法，其特征在于：步骤S4中，通过固定全连接层Fc7以下的层参数，训练全连接层Fc7与Fc8之间的全连接层参数。