[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

说明书

本发明公开了一种基于改进S‑DNet神经网络模型的乳腺X射线图像的分类方法，通过对S‑DNet神经网络模型改进，实现乳腺X射线图像的良恶性分类，提出了一种新的神经网络模型，称为S‑DNet神经网络模型。首先通过对图像进行去背景，去除无用的信息；其次，提高了网络模型的准确率；最后进行训练策略确定。通过本发明，不仅可以提高诊断效率，还能为医生提供更加客观、准确的诊断结果，因而具有重要的临床应用价值。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种改进S-DNet神经网络模型的乳腺X射线图像的分类方法。

背景技术

乳腺癌是女性健康“第一杀手”，女性乳腺是由皮肤、纤维组织、乳腺腺体和脂肪组成的，乳腺癌是发生在乳腺腺上皮组织的恶性肿瘤。乳腺癌中99％发生在女性，男性仅占1％。根据世界卫生组织国际癌症研究机构(IARC)2013年的报告，2012年全世界有170多万妇女被诊断患有乳腺癌。在同一年诊断的所有癌症中，这一比例约为 11.9％，据报道有522，000例死亡病例。预计到2025年，将会有1930 万新的癌症病例。

随着计算机技术的不断发展，计算机辅助诊断(CAD)技术也在不断的应用在医学领域，同时，计算机辅助诊断技术也应用于乳腺图像上，最具代表性的就是机器学习技术开始运用于乳腺肿瘤分类中。

为了提高乳腺肿瘤的早期发现率，乳腺癌的发现越早越好，越早越有利于提高乳腺癌患者的存活率，在2005年Berry的研究结果中指出，乳腺癌的发现越早，越有利于提高患者的生存几率，越有利于提高患者的病情控制。在美国，查出来的患有乳腺癌的总人口中，只有20％左右的人口是处于乳腺癌中晚期，其余的全部是乳腺癌早期。但是，在我国仅仅只有不到50％的人在查询结果出来之后是在乳腺癌早期，从这一点可以看出我国对于乳腺癌早期检测的不足。如果一个乳腺癌患者能够在早期就发现病变，有很大的几率能够治愈，所以早期的诊断不仅仅会降低治疗疾病的所花费的人力物力，也会提高患者的疾病治愈几率。

发明内容

本发明的目的在于提供一种基于改进S-DNet神经网络模型的乳腺X射线图像的分类方法。

本发明的目的可以通过采用如下的技术措施来实现，设计一种基于改进S-DNet神经网络模型的乳腺X射线图像的分类方法，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。

其中，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；