[发明专利]改进S-DNet神经网络模型的乳腺X射线图像的分类方法

权利要求书

1.一种基于改进S-DNet神经网络模型的乳腺X射线图像的分类方法，其特征在于，包括：

获取已标记的乳腺X射线图像，并对其进行图像预处理；

基于DenseNet神经网络模型，构建改进的S-DNet神经网络模型；其中，改进的S-DNet神经网络模型为并列双层结构，第一层为DenseNet神经网络模型，第二层为普通卷积神经网络；

将预处理后的乳腺X射线图像输入到改进的S-DNet神经网络模型中，对改进的S-DNet神经网络模型进行训练，验证和测试；其中，训练的学习率设定为0.01，迭代次数设定为10次，学习方式采用step学习方式；

将待分类的乳腺X射线图像输入训练好的改进的S-DNet神经网络模型中，对待分类的乳腺X射线图像进行标记，完成对乳腺X射线图像的分类；

对已标记的乳腺X射线图像进行预处理的步骤中，预处理的方法为去背景，具体包括步骤：

将已标记的乳腺X射线图像的像素点按照行列相加分别放入两个列表X和Y中，X代表行相加列表，Y代表列相加列表，具体公式如下所示：

其中，图像左上角为坐标点(1，1)，公式中x_ij表示坐标为(i,j)的点像素值，X_i表示列表X的第i个值，Y_j代表列表Y的第j个元素，n代表图像大小；

在两个列表中选取连续不为0的最大区域，记录下区域起始值索引位置X₁以及Y₁，记录下末尾值索引位置X₂和Y₂，计算两个列表起始位置索引与末尾位置索引的差值X_L＝X₂-X₁以及Y_L＝Y₂-Y₁；

以(X₁,Y₁)为左上角坐标，以X_L以及Y_L为长和宽，截取图像，作为去背景后的乳腺X射线图像，其余背景部分全部去除。

2.根据权利要求1所述的基于改进S-DNet神经网络模型的乳腺X射线图像的分类方法，其特征在于，在改进的S-DNet神经网络模型中，第一层为DenseNet神经网络模型，由DenseBlock层和Transition层组成；其中DenseNet网络总层数采用40层，growth rate k＝12，包括3个DenseBlock层和2个Transition层。

3.根据权利要求1所述的基于改进S-DNet神经网络模型的乳腺X射线图像的分类方法，其特征在于，在采用step学习方式的训练过程中，隔预设stepsize改变一次学习率，使学习率呈递减余弦式变化。

4.根据权利要求1所述的改进S-DNet神经网络模型的乳腺X射线图像的分类方法，其特征在于，在改进的S-DNet神经网络模型的训练的同时，利用Adam优化器优化S-DNet神经网络模型，以实现S-DNet神经网络模型达到最佳。