[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

说明书

本发明提供了一种用于乳腺肿瘤检测的神经网络，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；S2、对乳腺特征进行多源特征融合后得到乳腺特征向量，将所述训练数据集的乳腺特征作为输入，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。这种用于乳腺肿瘤检测的神经网络利用基于红外成像技术获取的乳腺特征进行训练，训练完成后的神经网络能够根据病患的临床数据进行乳腺肿瘤的检测，在提高检测的准确率的同时，还能够避免患者在检测过程中受到辐射的伤害。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种用于乳腺肿瘤检测的神经网络及其检测系统。

背景技术

乳腺疾病是女性的常见病，近些年的临床经验总结表明，乳腺检测的准确率低下是乳腺癌患者死亡率无法降低的原因之一。现有技术中存在乳腺钼靶、乳腺CT、乳腺B超和乳腺MRI等乳腺检测方法，但是这些方法存在成本高和具有辐射的问题。因此，有必要发明一种用于乳腺肿瘤检测的神经网络及其检测系统。

发明内容

本发明要解决的技术问题是：为了解决现有技术中的乳腺检测方法价格昂贵和存在辐射的问题，本发明提供了一种用于乳腺肿瘤检测的神经网络及其检测系统来解决上述问题。

本发明解决其技术问题所采用的技术方案是一种用于乳腺肿瘤检测的神经网络，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。

作为优选，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Darklmg，将所有乳腺图像减去平均值Darklmg；

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。

作为优选，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)}；