[发明专利]基于轻量级神经网络的乳腺钼靶图像深度学习分类方法

摘要

本发明涉及一种基于轻量级神经网络的乳腺钼靶图像深度学习分类方法。该方法运用了基于深度学习的图像分类算法，实现对于乳腺钼靶图像的乳腺密度分类，并且运用了基于轻量级神经网络的深度学习框架。本发明方法显著提高了在小规模图像数据集上的适应性，进而提高了乳腺密度分类的准确性和处理速度，能够实现乳腺钼靶图像的自动化乳腺密度分类。

主权项

1.一种基于轻量级神经网络的乳腺钼靶图像深度学习分类方法，其特征在于：包括如下步骤，(I)对已知密度分类的乳腺钼靶数据集中所有原始图像进行像素灰度梯度权重计算，得到对应的梯度权重图；(II)对所述梯度权重图进行封闭区域的侵蚀和膨胀操作，去除图像中的人工干扰物，得到仅包含乳房与胸部肌肉的前景区域图像；(III)对所述已知密度分类的乳腺钼靶数据集中所有原始图像与其对应的前景区域图像相融合，得到仅包含胸部肌肉和乳腺的图像训练集；(IV)构建基于轻量级神经网络的深度学习框架，共包含12层，按照顺序依次包含一个输入层、一个含卷积核并采用修正线性单元激活函数的卷积层、一个含卷积核并采用最大采样函数的池化层、一个含卷积核并采用ReLU激活函数的卷积层、一个含卷积核并采用Maxpooling的池化层、一个含卷积核并采用ReLU激活函数的卷积层、一个含卷积核并采用Maxpooling的池化层、一个数据平面化层、一个64位全连接层、一个丢弃比例为0.5的数据丢弃层、一个4位全连接层、以及一个采用归一化指数激活函数的激活层作为输出层；(V)对所述的训练集图像经过样本扩展增加输入样本数量至深度学习框架，由神经网络自动计算分类结果并与真实分类进行比较，所得误差反馈至神经网络中对各卷积核参数进行修正，训练集图像经过修正后的网络重新计算分类结果并与真实分类进行比较，误差反馈至神经网络进行修正，如此循环200次，完成训练过程；(VI)对未分类的图像进行像素灰度梯度权重计算，得到对应的梯度权重图；(VII)对所述未分类图像的梯度权重图进行封闭区域的侵蚀和膨胀操作，去除图像中的人工干扰物，得到仅包含乳房与胸部肌肉的前景区域图像；(VIII)对所述的未分类原始图像与其对应的前景区域图像相融合，得到仅包含胸部肌肉和乳腺的测试图像；(IX)对所述的测试图像输入至完成训练的神经网络，由神经网络自动计算分类结果，完成测试过程。