[发明专利]一种用于乳腺肿瘤检测的神经网络及其检测系统

权利要求书

1.一种用于乳腺肿瘤检测的神经网络，其特征在于，通过以下步骤进行训练：

S1、获取临床数据，所述临床数据包括训练数据集，所述训练数据集包括乳腺特征和诊断结果，对乳腺特征进行多源特征融合后得到乳腺特征向量；

S2、将所述训练数据集的乳腺特征向量作为输入，将所述训练数据集的诊断结果作为输出，利用GA算法计算神经网络的初始权值；

S3、利用所述训练数据集对神经网络进行训练；

步骤S1具体包括以下步骤：

S11、获取患者的基本信息，所述基本信息包括乳腺的诊断结果；

S12、采集B组A个近红外灯照射下的乳腺图像和两帧暗图像，对乳腺图像和两帧暗图像进行特征分析获取乳腺图像整体特征，对乳腺图像进行分片处理，对分片后的乳腺图像进行特征分析获取分片乳腺图像特征；

S13、计算两帧暗图像的平均值DarkImg，将所有乳腺图像减去平均值DarkImg；

对第一组的A个近红外LED灯的乳腺图像进行叠加和归一化处理后获取乳腺静态图像，对乳腺静态图像进行滤波处理后获取乳腺的血管图和血管的形态学特征，对乳腺静态图像进行轮廓提取算法处理后获取乳腺轮廓；

S14、根据朗伯比尔模型对乳腺轮廓内的B组乳腺图像进行求解，获取乳腺轮廓内乳腺的三维几何形状和乳腺的平均衰减系数；利用近红外光学成像理论，得到乳腺组织内部的光学吸收系数；对乳腺轮廓内的乳腺的光学吸收系数进行统计分析获取乳腺光学系数特征；

S15、乳腺特征包括基本信息、乳腺图像整体特征、分片乳腺图像特征、血管的形态学特征和乳腺光学系数特征，对乳腺特征进行多源特征融合得到乳腺特征向量。

2.如权利要求1所述的一种用于乳腺肿瘤检测的神经网络，其特征在于：

步骤S2具体包括以下步骤：

S21、将所述训练数据集的乳腺特征向量集X作为神经网络的输入，将所述训练数据集的诊断结果作为神经网络的期望输出向量集T，所述训练数据集的乳腺特征向量集X和所述训练数据集的期望输出向量集T的由以下公式确定：

X＝{X_ori⁽¹⁾，X_ori⁽²⁾，…，X_ori^(Q)}；

X_ori^(p)＝[X_{ori_1}^p，X_{ori_2}^p，…，X_{ori_m}^p](p＝1，2，…，Q)；

T＝{t⁽¹⁾，t⁽²⁾，…，t^(Q)}；

t^(p)＝[t₁^p，t₂^p，…，t_q^p](p＝1，2，…，Q)；

式中：

Q为所述训练数据集的个数；

X_ori(p)为第p个所述训练数据集对应的乳腺特征向量；

m为乳腺特征向量的维度；

q为诊断结果的种类；

t_q为第q种诊断结果，当诊断结果为第q种时，t_q＝1；

神经网络包括输入层、隐含层和输出层，所述输入层包括m个节点，所述隐含层包括n个节点，所述输出层包括q个节点；

所述输入层节点和隐含层节点之间的权重系数为w_ij，i∈[1，m]，j∈[1，n]，所述隐含层节点和输出层节点之间的权重系数为v_jk(j∈[1，n]，k∈[1，q])，所述隐含层各节点之间的偏值为b_j，j∈[1，n]，所述输出层各节点之间的偏值为c_k，(k∈[1，q])，神经网络的学习因子为η，所述隐含层节点和输出层节点之间的激活函数为g(x)＝1/(1+exp(-x))；

S22、利用GA算法获取神经网络的所述初始权值，所述初始权值包括初始加权系数和初始偏值，所述初始加权系数包括w_ij(0)和v_jk(0)，所述初始偏值包括b_j(0)和c_k(0)；

所述w_ij(0)为w_ij的初始值，所述v_jk(0)为v_jk的初始值，所述b_j(0)为b_j的初始值，所述c_k(0)为c_k的初始值。