[发明专利]全息微波乳房肿块识别方法及识别系统

权利要求书

1.一种全息微波乳房肿块识别方法，其特征在于，包括以下步骤：

分别获取无乳房肿块的HM彩色样本图像和有乳房肿块的HM彩色样本图像；

对无乳房肿块的HM彩色样本图像和有乳房肿块的HM彩色样本图像进行扩增，并利用扩增后的图像构建训练集和测试集；

构建深度卷积神经网络模型；

调节深度卷积神经网络模型的结构参数，利用训练集对各个结构参数的深度卷积神经网络模型进行训练，获得所需乳房肿块识别准确率的深度卷积神经网络模型；

使用所需乳房肿块识别准确率的深度卷积神经网络模型对测试集进行乳房肿块识别测试，获取带有乳房肿块的HM图像。

2.根据权利要求1所述的全息微波乳房肿块识别方法，其特征在于，还包括以下步骤：

对带有乳房肿块的HM图像中的乳房肿块进行二次分类筛查。

3.根据权利要求1或2所述的全息微波乳房肿块识别方法，其特征在于，所述对无乳房肿块和有乳房肿块的HM彩色样本图像进行扩增，并利用扩增后的图像构建训练集和测试集的具体过程为：

分别获取无乳房肿块和有乳房肿块的HM彩色样本图像的病人信息以及图像的长、宽、高和像素信息；

将获取的无乳房肿块和有乳房肿块的HM彩色样本图像转化为灰度图像，并对灰度图像进行图像归一化预处理，提取特征；

对预处理完成的无乳房肿块和有乳房肿块的HM灰度图像进行扩增，并利用扩增后的图像构建训练集和测试集。

4.根据权利要求1或2所述的全息微波乳房肿块识别方法，其特征在于，所述构建深度卷积神经网络模型的具体过程为；

构建基于深度卷积神经网络的无乳房肿块和有乳房肿块识别模型；

根据基于深度卷积神经网络的无乳房肿块和有乳房肿块识别模型，设计深度卷积神经网络模型；其中，深度卷积神经网络模型包含卷积层、池化层和全连接层。

5.根据权利要求4所述的全息微波乳房肿块识别方法，其特征在于，所述基于深度卷积神经网络的无乳房肿块和有乳房肿块识别模型包括输入模块、特征学习模块、图像分类模块和输出模块；

所述特征学习模块包括三层卷积单元，第一层和第二层卷积单元均包括卷积层、批量标准化层、激励层和池化层，第三层卷积单元包括卷积层、批量标准化层和激励层；其中，激励层使用ReLU函数；

图像分类模块包括全连接层和SoftMax分类函数；

所述卷积层通过不同数量和大小的卷积核对输入的乳房HM图像进行卷积操作，并提取特征图；在卷积过程中，以二维乳房HM图像作为输入数据，将卷积核移到整个二维乳房HM图像上，生成最终图像；

卷积操作过程为：

式中，C(x，y)为卷积层输出矩阵中的元素，A(x，y)为卷积层输入矩阵中的元素，B(i，j)为卷积核中的元素，x为矩阵中的第x行，y为矩阵中的第y列，i为卷积核中的第i行，j为卷积核中的第j列，M为输入矩阵的大小，N为卷积核的大小；

提取的特征图为：

O_s＝∑_rW_s*X_r+b_s，

式中，W_s表示内核，*表示卷积运算符，X_r为第r个特征图的输入值，r为自然数，b_s是偏压项；

所述池化层的池化过程为：

U(x′，y′)＝max(R(x+m，y+n))，

式中，U(x′，y′)为池化层输出矩阵中的元素，m，n为[0，ΔI]中的整数，ΔI是下采样的步长，为有限的正整数，在池化层后构建归一化层，将U(x′，y′)规范得到归一化层输出矩阵中的元素，

式中，V(x，y)为归一化层输出矩阵中的元素；σ为缩放常数，σ＝0.0001；u为指数常数，u＝0.75；M为输入矩阵的通道数；U_c(x，y)表示池化层输出的结果；

所述全连接层处理池化层的输出，以0.3-0.5的概率舍弃全连接层中的元素。