[发明专利]一种基于多样性区分学习的乳腺肿瘤识别方法

说明书

本发明公开了一种基于多样性区分学习的乳腺肿瘤识别方法，首先创建多样性分类学习模型，用于对肿瘤的多样性状态进行分类，然后创建区分性学习模型，用于对与常态肿瘤差异性较大的肿瘤进行分类，通过所述的多样性分类学习模型和所述的区分性学习模型对肿瘤进行识别。本发明的一种基于多样性区分学习的乳腺肿瘤识别方法和现有技术相比，能有效的对肿瘤的多样性状态进行分类，从而减少多样性对性能的影响；对于常态的肿瘤，利用传统的分类模型即可识别的很好；对于非常态肿瘤，将其输入到区分性学习模型进行识别，对乳腺肿瘤进行准确识别，对于乳腺癌的早期辅助诊断具有重要的意义。

技术领域

本发明涉及医学图像处理领域，具体地说是一种基于多样性区分学习的乳腺肿瘤识别方法。

背景技术

乳腺癌是致死率较高的一种疾病，基于超声图像的乳腺良恶性肿瘤识别是乳腺癌辅助诊断的重要工具。然而，肿瘤的形态各异，即使属于同一类，也具有诸多不同的特点。因为传统方法对肿瘤良恶性识别精度低，导致无法有效解决多形态肿瘤识别精度低的问题。

发明内容

本发明的技术任务是提供一种基于多样性区分学习的乳腺肿瘤识别方法。

本发明的技术任务是按以下方式实现的：

一种基于多样性区分学习的乳腺肿瘤识别方法，首先创建多样性分类学习模型，用于对肿瘤的多样性状态进行分类，然后创建区分性学习模型，用于对与常态肿瘤差异性较大的肿瘤进行分类，通过所述的多样性分类学习模型和所述的区分性学习模型对肿瘤进行识别。

所述的多样性分类学习模型通过使用卷积神经网络框架，拟利用Alexnet作为基多样性分类学习模型，对样本分为常态肿瘤和非常态肿瘤两种。

所述的多样性分类学习模型对乳腺超声图像进行标记，标记为常态肿瘤和非常态肿瘤两类图像。

将所述的进行标记的图像输入到Alexnet，训练得到多样性分类学习模型。

所述的区分性学习模型用于对非常态肿瘤进行识别，使用Resnet作为区分性学习模型。

所述的区分性学习模型在训练时，设置每个样本的初始权重，如公式一所示：

在上式中，变量x表示一个肿瘤，变量q表示识别正确的肿瘤的个数，变量p表示识别错误的肿瘤的个数，Ω_C表示识别错误的肿瘤的集合，Ω_B表示识别正确的肿瘤集合。

所述的区分性学习模型不断的进行迭代优化，在每次迭代优化中，不断更新权重，权重更新公式如公式二所示：

在上式中，变量u_n-1表示肿瘤x在上一次迭代的权重，acc表示被上次迭代中识别的正确率，Ω_err表示上次迭代中被错误识别的肿瘤集合，Ω_acc表示上次迭代中被正确识别的肿瘤集合。

对于待识别的肿瘤，首先输入到所述的多样性分类学习模型，判断该样本属于常态肿瘤还是非常态肿瘤；如果是常态肿瘤，用传统的识别方法即可识别的很好；如果是非常态肿瘤，将其输入到区分性学习模型进行识别。

本发明的一种基于多样性区分学习的乳腺肿瘤识别方法和现有技术相比，能有效的对肿瘤的多样性状态进行分类，从而减少多样性对性能的影响；对于常态的肿瘤，利用传统的分类模型即可识别的很好；对于非常态肿瘤，将其输入到区分性学习模型进行识别，对乳腺肿瘤进行准确识别，对于乳腺癌的早期辅助诊断具有重要的意义。

附图说明

附图1为一种基于多样性区分学习的乳腺肿瘤识别方法的流程示意图。

具体实施方式

实施例1：