[发明专利]一种乳腺肿块图像识别方法及装置

权利要求书

1.一种乳腺肿块图像识别方法，其特征在于，包括：

获取待识别的乳腺磁共振图像；

将所述待识别的乳腺磁共振图像输入到构建的乳腺肿块识别模型中，获得所述待识别的乳腺磁共振图像中的肿块识别结果；

其中，所述肿块识别模型采用深度全卷积神经网络模型，所述深度全卷积神经网络模型的编码过程采用U型卷积神经网络模型中的基本卷积模块进行特征提取，所述深度全卷积神经网络模型的解码过程采用密集连接将待融合的特征图统一大小后再融合。

2.如权利要求1所述的方法，其特征在于，利用所述U型卷积神经网络模型中的基本卷积模块采用下述公式进行特征提取：

y₁＝δ(W₁₃*δ(W₁₂*δ(W₁₁*x₁+b₁₁)+b₁₂)+b₁₃)

上式中，y₁表示提取出的特征图，x₁表示输入的乳腺磁共振图像，δ表示第一激活函数，W₁₁、W₁₂、W₁₃表示不同卷积层对应的权重，b₁₁、b₁₂、b₁₃表示不同卷积层对应的偏置参数。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：利用所述深度全卷积神经网络模型采用下述公式将提取出的特征图进行调整：

y₂＝δ((W₂₂*δ(W₂₁*x₂+b₂₁)+b₂₂)+x₂)

上式中，y₂表示调整后的特征图，x₂表示提取出的特征图，δ表示第一激活函数，W₂₁、W₂₂表示不同卷积层对应的权重，b₂₁、b₂₂表示不同卷积层对应的偏置参数。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

利用所述深度全卷积神经网络模型将提取出的特征图赋予不同的权重值；

根据各特征图对应的权重值进行特征融合。

5.如权利要求4所述的方法，其特征在于，所述将提取出的特征图赋予不同的权重值，包括：

对提取出的特征图进行平均池化；

将平均池化后的特征图利用全连接层进行连接，并采用第二激活函数进行激活，获得所述特征图对应的权重值。

6.如权利要求5所述的方法，其特征在于，所述将提取出的特征图赋予不同的权重值，包括：采用下述公式获得所述特征图对应的权重值：

上式中，Z_c表示特征图平均池化第c个特征图对应的池化结果，H表示第c个特征图的高，M表示第c个特征图的宽，x_c表示输入的第c个特征图，S表示特征图对应的权重值向量，Z表示特征图池化后的池化结果向量，σ表示所述第二激活函数，W₃₂、W₃₁不同全连接层对应的权重，b₃₁、b₃₂表示不同全连接层对应的偏置参数。

7.如权利要求1所述的方法，其特征在于，所述乳腺肿块识别模型采用下述方法构建：

获取多个样本数据，所述样本数据包括：乳腺磁共振图像和所述乳腺磁共振图像中的肿块标记；

建立所述乳腺肿块识别模型，

将所述样本数据中的乳腺磁共振图像作为所述乳腺肿块识别模型的输入数据，将对应的所述乳腺磁共振图像中的肿块标记作为所述乳腺肿块识别模型的输出数据，对所述乳腺肿块识别模型进行训练，直至所述乳腺肿块识别模型达到预设要求。