[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

说明书

本发明公开了一种基于重要性加权的肿瘤检测模型构建方法及构建系统，属于医学图像处理领域，要解决的技术问题为如何在肿瘤大小、形状不固定且超声图像灰度分布复杂情况下精确检测肿瘤；其方法包括：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。其系统包括：特征学习模块和模型优化模块，所述特征学习模块配置有快速区域卷积神经网络。本发明可可提高诸如灰度分布不均等检测难度较大的肿瘤的检测准确性。

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重要性加权的肿瘤检测模型构建方法及构建系统。

背景技术

乳腺癌是妇女疾病中致死率较高的疾病之一，早发现早治疗是治愈乳腺癌的主要手段。利用医学图像处理方法能够自动地对超声图像进行诊断，给出客观结果，对于乳腺癌的早期分析具有重要的作用。

肿瘤分割是乳腺癌分析的基础，肿瘤检测有助于提高肿瘤分割的精度。然而，乳腺肿瘤大小不固定、形状不固定且超声图像灰度分布较为复杂，给肿瘤检测算法带来了巨大的挑战。

如何在肿瘤大小、形状不固定且超声图像灰度分布复杂情况下精确检测肿瘤，是需要解决的技术问题。

发明内容

本发明的技术任务是针对以上不足，提供一种基于重要性加权的肿瘤检测模型构建方法及构建系统，来解决如何在肿瘤大小、形状不固定且超声图像灰度分布复杂情况下精确检测肿瘤的问题。

第一方面，本发明实施例提供一种基于重要性加权的肿瘤检测模型构建方法，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。

在上述实施方式中，基于重要性加权构建分类函数，可提高诸如灰度分布不均等检测难度较大的肿瘤的检测准确性。

更优的，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。

在上述实施方式中，对目标图像进行学习之前，通过目标预提取单元对目标图像的大体区域进行提取，以便将目标图像中含有目标的区域提取出来，减少背景对检测的干扰，尤其对于小面积的肿瘤，可提高检测目标的准确性。

作为优选，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。

作为优选，快速区域卷积神经网络包括region proposal层、卷积层、池化层和ROIpooling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。

作为优选，分类函数表达式为：