[发明专利]基于超声医学的乳腺结节检测方法及系统

权利要求书

1.基于超声医学的乳腺结节检测方法，其特征在于，包括以下步骤：

S1、获取乳腺超声视频数据，并进行预处理；

S2、将预处理后的视频数据通过迁移学习的方法训练，建立乳腺结节检测模型；

S21、特征提取：将预处理后的视频数据经过特征提取网络ResNet得到视频特征向量；

所述特征提取网络ResNet为网络深度18层的ResNet18，所述ResNet18的网络结构分为五个阶段，在首层中采用卷积核大小为7×7的卷积层捕获较大的感受野，随后经过一个步长为2的最大池化层，在后四层中，采用卷积核大小为3×3的卷积层进行特征提取；

S22、线性分类：将所述视频特征向量通过线性分类网络检测视频各帧的分类概率；

S23、注意力选择：将所述视频特征向量通过注意力选择网络得到视频各帧权重；

S24、视频检测：结合线性分类给出的分类概率和注意力选择模块提供的各帧权重，得到乳腺结节检测模型；

S3、将待测试的视频数据输入所述乳腺结节检测模型，得出结果。

2.如权利要求1所述的基于超声医学的乳腺结节检测方法，其特征在于，所述步骤S21中特征提取具体为：将预处理后的视频数据V＝{f_t|t∈[1，T]，t∈N^*}，其中f_t表示视频第t帧图像，T表示视频长度，经过所述特征提取网络ResNet对视频各帧信息进行编码，可以得到视频特征向量序列F＝{s_t|t∈[1，T]，t∈N^*}，其中s_t表示视频第t帧图像对应的特征向量。

3.如权利要求2所述的基于超声医学的乳腺结节检测方法，其特征在于，所述步骤S22中线性分类具体为：线性分类网络包括了一个全连接层和softmax函数层，所述全连接层在提取的特征向量的每个维度上执行特征融合，通过权重形式使分类专注于有效特征，忽略无用特征，所述softmax函数层对输出进行归一化，为分类提供有效概率，给定提取后的视频特征向量F，学习权重W_p∈R，视频的分类概率P＝softmax(W_pF+b)，其中b是常数。

4.如权利要求3所述的基于超声医学的乳腺结节检测方法，其特征在于，所述步骤S23中注意力选择具体为：注意力选择网络包括一个全连接层和softmax函数层，所述全连接层在提取的特征向量的每个维度上执行特征融合，通过权重形式使分类专注于有效特征，忽略无用特征，所述softmax函数层对输出进行归一化，为分类提供有效概率，给定提取后的视频特征向量F，学习权重W_a∈R，视频的注意力选择权重A＝softmax(W_aF+b)，其中b是常数。

5.如权利要求4所述的基于超声医学的乳腺结节检测方法，其特征在于，所述步骤S24中注意力选择具体为：所述乳腺结节检测模型的检测结果为

其中，为检测概率。

6.如权利要求5所述的基于超声医学的乳腺结节检测方法，其特征在于，所述步骤S2还包括步骤S25、损失函数：采用常用的交叉熵损失函数和中心损失函数来对模型的各个模块进行优化，根据各个视频的检测概率和真实值y，分别计算交叉熵损失函数和中心损失函数

其中，N表示训练数据集的大小，x_i表示全连接层之前的特征，表示第y_i个类别的特征中心，λ控制二者之间的比重。