[发明专利]一种基于堆叠降噪自编码器的乳腺超声图像特征自学习提取方法及系统

摘要

本发明公开一种基于堆叠降噪自编码器的乳腺超声图像特征自学习提取方法及系统，其中方法包括从每一张乳腺超声病灶区域图像ROI中提取手工浅层特征作为一个训练样本，构成训练样本集set_unlabeled＝{x⁽¹⁾,x⁽²⁾,…,x⁽ⁿ⁾}，第i个样本x⁽ⁱ⁾∈[0,1]^d,i＝1,2,…,n；基于训练样本集，训练第一个降噪自编码器DAE1；训练完第一个降噪自编码器后，重新输入训练样本集，根据步骤S4训练好的编码器提取所有样本的隐层学习得到的特征表示，构成新的样本{y⁽¹⁾,y⁽²⁾,…,y⁽ⁿ⁾}，将其作为第二个降噪自编码器的输入，训练第二个降噪自编码器DAE2。本发明实现了乳腺超声图像特征的提取，从而为临床诊断提供有价值的“参考意见”，提高乳腺癌诊断的准确率和效率。

主权项

1.一种基于堆叠降噪自编码器的乳腺超声图像特征自学习提取方法，其特征在于，包括以下步骤：步骤S1：给定一个中等规模以上的乳腺超声病灶区域图像集，所述中等规模表示该图像集至少含有200幅以上的乳腺超声诊断图像；步骤S2：手动提取步骤S1中图像集里每一张乳腺超声诊断图像的病灶区域图像ROI；步骤S3：从每一张乳腺超声病灶区域图像ROI中提取手工浅层特征作为一个训练样本，构成训练样本集set_unlabeled＝{x(1),x(2),…,x(n)}，第i个样本x(i)∈[0,1]d,i＝1,2,…,n；其中d表示样本的特征维度，n表示训练集样本个数；步骤S4：基于训练样本集，训练第一个降噪自编码器DAE1；步骤S5：训练完第一个降噪自编码器后，重新输入训练样本集，根据步骤S4训练好的编码器提取所有样本的隐层学习得到的特征表示，构成新的样本{y(1),y(2),…,y(n)}，将其作为第二个降噪自编码器的输入，训练第二个降噪自编码器DAE2；步骤S6：将完成训练的两个降噪自编码器DAE1和DAE2堆叠得到三层的SDAE结构，对应第一层为输入层,维度为d；第二层为DAE1中的隐层，维度为d_h1；第三层为DAE2中对应的隐层，维度为d_h2；通过该SDAE结构，给定乳腺钼靶图像的手工浅层特征，前向反馈后得到基于堆叠降噪自编码器的高层抽象的语义特征表示所述步骤S4中，第一个降噪自编码器由三层网络构成，对应输入层x、隐层y、输出层z的神经元个数分别为d、dh1、d，其中输入层的输入为训练样本集中的某个样本x(i)∈[0,1]d,i＝1,2,…,n；输入层人为地引入了噪声；参数θ1＝{W1,b1}，θ2＝{W2,b2}，b1、b2为分别为隐层和输出层的偏置向量，大小分别为dh1和d维，W1、W2分别为输入层到隐层的权值连接矩阵和隐层到输出层的权值连接矩阵，大小分别为d×dh1、dh1×d；激活函数均采用sigmoid函数；步骤S4包括以下步骤：步骤S41：对训练样本集进行分割，具体步骤为：将超声图像的训练样本集随机分割为num个batch，每个batchi∈[0,1]batch_size×d,i＝1,2,…,num；步骤S42：网络参数初始化；具体设置为：learningrate＝1；b1＝0,b2＝0；其中，leanningrate表示学习率，rand(m,n)函数为随机生成[0,1]的m×n阶矩阵；步骤43：设置最大循环次数NN；步骤44：外重循环t＝1to NN；内重循环s＝1to num；步骤441：腐蚀数据：通过二进制掩蔽噪声方式，以一定概率将输入特征向量x中某些值随机地重设为0；具体为：batch_s＝batch_s×(rand(batch_size,d)>threashold)，一个batch_s构成batch_size×d阶矩阵，threashold为设定的阈值，具体设定为0.2；如果随机生成的矩阵A＝rand(batch_size,d)中的元素A_ij小于threashold，则矩阵batch_s中对应位置的元素重设为0；定义batch_s中第i个样本为x⁽ⁱ⁾，腐蚀后为步骤442：前向反馈：z(i)＝sigmoid(W2Ty(i)+b2),i＝1,2,…,batch_size；步骤443：反向传输：步骤444：更新参数其中，分别表示第i个样本对应输出层和隐层第j个节点的残差。