[发明专利]基于重要性加权的肿瘤检测模型构建方法及构建系统

权利要求书

1.基于重要性加权的肿瘤检测模型构建方法，其特征在于包括：

构建快速区域卷积神经网络，并通过快速区域卷积神经网络对目标图像进行学习，得到大小固定的最终特征；

基于肿瘤的重要性权重构建肿瘤分类函数，并通过随机梯度方法优化肿瘤分类函数，得到肿瘤检测模型。

2.根据权利要求1所述的基于重要性加权的肿瘤检测模型构建方法，其特征在于还包括构建目标预提取单元，并通过目标预提取单元内配置的提取矩阵对目标图像的大体区域进行预提取；

通过快速区域卷积神经网络对预提取后的目标图像进行学习。

3.根据权利要求2所述的基于重要性加权的肿瘤检测模型构建方法，其特征在于所述提取矩阵为二值的提取矩阵，提取矩阵对应的二值分别为0和1；

通过提取矩阵中值为1的区域决定目标图像预提取的提取。

4.根据权利要求1、2或3所述的基于重要性加权的肿瘤检测模型构建方法，其特征在于快速区域卷积神经网络包括region proposal层、卷积层、池化层和ROI pooling层；

通过快速区域卷积神经网络对目标图像进行学习，包括：

通过region proposal层对目标图像进行学习，输出若干个候选特征；

通过卷积层对目标图像进行局部特征映射学习，输出特征映射；

通过池化层对特征映射进行采样，输出鲁棒特性；

对候选特征和鲁棒特征进行融合，得到融合特征；

通过ROI pooling层对融合特征进行特征大小的固定，输出大小固定的最终特征。

5.根据权利要求1或2所述的基于重要性加权的肿瘤检测模型构建方法，其特征在于分类函数表达式为：

Min u_i(y_i-w^Tx_i)²+||w||₂

其中，优化参数w为向量；x_i表示第i个肿瘤对应的最终特征；y_i表示第i个肿瘤的类别标识，肿瘤的类别标识为两种，分别为是肿瘤和非肿瘤；u_i表示第i个肿瘤对应的重要性权重；

重要性权重的计算步骤包括：

初始化重要性权重，计算公式为：

其中，变量x表示肿瘤，变量q表示灰度分布较好的肿瘤个数，变量p表示灰度分布不均的肿瘤个数，Ω_C表示灰度分布不均的肿瘤集合，Ω_B表示灰度较为均一的肿瘤集合；

通过随机梯度方法优化肿瘤分类函数时，更新重要性权重，计算公式为：

其中，变量u_n-1表示肿瘤x第n-1轮迭代的重要性权重，acc表示n-1轮迭代中肿瘤检测准确率，Ω_err表示第n-1轮迭代中误检的肿瘤集合，Ω_acc表示第n-1轮迭代中正确检测的肿瘤集合。

6.基于重要性加权的肿瘤检测模型构建系统，其特征在于包括：

特征学习模块，所述特征学习模块配置有快速区域卷积神经网络，用于通过快速区域卷积神经网络对目标图像进行学习，并输出大小固定的最终特征；

模型优化模块，所述模型优化模块用于基于肿瘤的重要性权重构建肿瘤分类函数，并通过随机梯度方法优化肿瘤分类函数，输出肿瘤检测模型。

7.根据权利要求6所述的基于重要性加权的肿瘤检测模型构建系统，其特征在于还包括目标预提取单元，所述目标预提取单元配置有二值的提取矩阵，用于根据提取矩阵对目标图像的大体区域进行预提取。

8.根据权利要求6或7所述的基于重要性加权的肿瘤检测模型构建系统，其特征在于快速区域卷积神经网络包括：

region proposal层，所述region proposal层用于对目标图像进行学习，输出若干个候选特征；

卷积层，所述卷积层用于对目标图像进行局部特征映射学习，输出特征映射；

池化层，所述池化层用于对特征映射进行采样，输出鲁棒特性；

ROI pooling层，所述ROI pooling层用于对融合特征进行特征大小的固定，输出大小固定的最终特征，所述融合特征为将候选特征和鲁棒特征融合得到的。