[发明专利]全息微波乳房肿块识别方法及识别系统

说明书

本申请提供了一种全息微波乳房肿块识别方法及识别系统，识别方法包括以下步骤：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。本申请能够有效地提高乳房肿块检测的灵敏度和准确率。

技术领域

本申请属于微波成像技术领域，具体涉及一种全息微波乳房肿块识别方法及识别系统。

背景技术

微波成像是一种新的生物医学成像方法。研究表明，全息微波(holographicmicrowave，HM)具有肿瘤检测灵敏度高的优点，为乳腺癌的早期诊断提供了可能。随着HM技术在生物影像领域的推广应用，人们对高清晰HM图像和快速成像的需求日益增长。但因受制于算法和成像系统设计的缺陷，HM成像依然存在诸多不足，如成像扫描时间长、计算成本高、图像分辨率低、噪声干扰等。直接扫描获取三维图像数据的成本较高，从二维图像重构三维立体图像是常用的方法，但图像质量没有保障，经常不能满足人们的需求。

深度学习是生物医学成像领域的前沿技术，已成功应用于生物医学图像分类。卷积神经网络(CNN)是深度学习的一种，可用于生物医学图像分类。CNN体系结构需要大量的训练数据集，这使得对医疗图像进行分类变得更加困难，因为创建专业标记的训练数据集需要花费大量的时间和人力。当只涉及到小的训练数据集时，CNN可能会过度适应和挑战学习最佳的图像特征。肤浅的CNN过于笼统，无法捕捉到这些图像之间的细微差别；而深度神经网络(DNN)可能对细微差别变得高度敏感，但无法捕捉到这些图像之间的整体相似性。

发明内容

为至少在一定程度上克服相关技术中存在的问题，本申请提供了一种全息微波乳房肿块识别方法及识别系统。

根据本申请实施例的第一方面，本申请提供了一种全息微波乳房肿块识别方法，其包括以下步骤：

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。

上述全息微波乳房肿块识别方法还包括以下步骤：

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。

上述全息微波乳房肿块识别方法中，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。

上述全息微波乳房肿块识别方法中，所述构建深度卷积神经网络模型的具体过程为；