[发明专利]一种基于深度学习自动分割乳腺钙化点的方法

权利要求书

1.一种基于深度学习自动分割乳腺钙化点的方法，其特征在于，包括以下步骤：

(1)制作数据集

取足量脱敏乳腺X射线DICOM格式图像，由多名专业医生阅片并对乳腺X射线图像钙化点进行交叉标注，取其中标注一致的图像用于构建数据集；

在该数据集中，针对每个病案生成与原图像大小一致的二值图像；该二值图像中像素不为0的(x₀，y₀)位置表示原始图像相同位置存在钙化点，反之则不存在钙化点；

(2)数据预取

从步骤(1)中的数据集中取N张样本及其对应的钙化点二值图，进行归一化处理；N的取值范围为不小于20000；

(3)构建深度卷积神经网络

建立一个包括16层卷积层、2层上采用层和1层逻辑层的深度卷积神经网络；将16层卷积层分别表示为Conv1，Conv2，Conv3……Conv16；2层上采样层分别表示为UpSampling1，UpSampling2；最后一层逻辑层记为Logistic1，用于对上层的输入逐像素给出该位置属于钙化点的概率值；

(4)利用步骤(2)中归一化处理后的数据集，训练步骤(3)中的深度卷积神经网络；

(5)利用步骤(4)中训练完毕的深度卷积神经网络对待检测图像进行推理

将待检测的乳腺X射线图像进行归一化处理，然后输入到经训练的深度卷积神经网络中并输出概率图，图中像素点的取值即为该点属于钙化情形的概率。

2.根据权利要求1所述的方法，其特征在于，所述步骤(3)中进一步包括：

设定Conv1表达式为：

a¹＝σ(z¹)＝σ(conv(a⁰，w¹)+b¹)

其中，a⁰表示网络的输入，即乳腺X射线病案中的一幅单通道图像；w¹表示第一层共享权值，b¹表示第一层偏置，conv(a⁰，w¹)表示网络的输入和权值执行卷积操作，w¹的大小为7×7，滑动步长为2×2，padding大小3×3，输入图像的通道数为1，输出feature maps的通道数为64，σ表示卷积层的ReLU激活函数，z¹表示卷积输出，a¹表示卷积激活值；

设定Conv2表达式为：

a²＝σ(z²)＝σ(conv(a¹，w²)+b²)

其中，a¹表示该层输入，即上一层Conv1的输出，w²表示第二层共享权值，b²表示第二层偏置，conv(a¹，w²)表示该层输入和权值执行卷积操作，w²的大小为5×5，滑动步长为2×2，padding大小2×2，输入通道数为64，输出feature maps的通道数为64，σ表示卷积层的ReLU激活函数，z²表示卷积输出，a²表示卷积激活值；

设定Conv3表达式为：

a³＝σ(z³)＝σ(conv(a²，w³)+b³)

其中，a²表示该层输入，即上一层Conv2的输出，w³表示第三层共享权值，b³表示第三层偏置，conv(a²，w³)表示该层输入和权值执行卷积操作，w³的大小为3×3，滑动步长为1×1，padding大小1×1，输入通道数为64，输出feature maps的通道数为128，σ表示卷积层的ReLU激活函数，z³表示卷积输出，a³表示卷积激活值；

设定Conv4至Conv15与Conv3具有相同的卷积核尺寸、滑动步长和padding尺寸，不同之处在于Conv4至Conv8共5层的输出feature maps通道数目呈256的倍数递增，即Conv4输出通道数为256、Conv5输出通道数为512，以此类推，Conv8输出通道数为4096；Conv9至Conv14共5层的输出feature maps通道数目呈256的倍数递减，即Conv9输出通道数为4096、Conv10输出通道数为2048，以此类推，Conv14输出通道数为256；最后一层Conv15输出featuremaps通道数为16。