首页 / 专利库 / 资料储存系统 / 大数据 / 一种对乳腺X线图片进行分类处理的方法

一种对乳腺X线图片进行分类处理的方法

阅读:2发布:2021-02-10

专利汇可以提供一种对乳腺X线图片进行分类处理的方法专利检索,专利查询,专利分析的服务。并且本 发明 一种对乳腺X线图片进行分类处理的方法,属于对乳腺X线图片进行分类处理的技术领域,所要解决的技术问题是提供一种采用GoogLeNet Inception V4对乳腺X线图片进行分类处理的方法,采用的方案包括以下步骤:第一步,对乳腺X线图片预处理;第二步,数据增强,即增加乳腺X线图片的数据;第三步,采用深度 卷积神经网络 进行训练;第四步,乳腺X线图片的分类;本发明适用于乳腺X线图片分类处理的领域。,下面是一种对乳腺X线图片进行分类处理的方法专利的具体信息内容。

1.一种对乳腺X线图片进行分类处理的方法,其特征在于:包括以下步骤:
第一步,对乳腺X线图片预处理
去除乳腺X线图片中多余背景,步骤如下:
a.将图像所有行的像素值相加得到一组数值;
b.设置阈值为0,去掉步骤a中值为0的部分,保留值大于0的部分;
c.对图像所有列的像素值重复以上步骤;
从而得到的图像即为去掉多余背景的图像;
第二步,数据增强,即增加乳腺X线图片的数据,步骤如下:
将去掉多余背景的乳腺X线图片尺度随机变换到350mm×350mm;
d.随机多次裁剪299mm×299mm大小区域;
e.随机平翻转180度,增加图片数量;
f.加入高斯噪声;
g.正则化;
多次重复d至g步骤,将乳腺X线图片的数据增强;
第三步,采用深度卷积神经网络进行训练
采用GoogLeNet Inception V4对数据增强后的乳腺X线图片进行训练,建立一个乳腺X线图片大数据网络模型,
GoogLeNet是一种在LeNet基础上发展形成的深度卷积神经网络,深度卷积神经网络采用了Inception V4结构;
所述的Inception V4结构利用残差连接Residual Connection将Inception模与残差连接(ResNet)结合;
第四步,乳腺X线图片的分类
将重新输入乳腺X线图片与采用深度卷积神经网络进行训练得出的大数据网络模型进行比对,得到相应的分类。
2.根据权利要求1所述的一种对乳腺X线图片进行分类处理的方法,其特征在于:所述第二步中采用旋转、缩放、平移、裁剪和镜像转换来增加乳腺X线图片的数据集。

说明书全文

一种对乳腺X线图片进行分类处理的方法

技术领域

[0001] 本发明一种对乳腺X线图片进行分类处理的方法,属于对乳腺X线图片进行分类处理的技术领域。

背景技术

[0002] 乳腺癌(Breast cancer)是一种在女性群体中经常发生的癌症,在所有确诊癌症中达到25%的比例,也是世界范围内排名第二的癌症。到目前为止,还没有积极有效的的预防乳腺癌的方法,早期的诊断以及及时的治疗是提高患病者生存率的仅有方法。筛查乳房X线图像(Mammography),也叫乳腺钼靶X线照片是乳腺癌早期诊断中最有效的工具之一,临床医生通过可疑的肿(Mass)以及其他结构,如微化灶(Micro-calcification)等来诊断病情。乳腺癌在乳房X线摄影中有两个主要表现:首先是恶性软组织或肿块的存在,第二是微钙化点的存在。乳腺肿块的面积和对比度存在较大差异,而且容易受到伪影和周围腺体组织的干扰;微钙化点的特征是通常很小,很容易被疏漏或误诊,这些都极大地影响了医生诊断的精度
[0003] 乳腺X线图片主要是人工观察、分类和判断,自行凭经验诊断,误差时有发生,严重时影响到医患关系。

发明内容

[0004] 本发明克服现有技术存在的不足,所要解决的技术问题为:一种采用GoogLeNetInception V4对乳腺X线图片进行分类处理的方法,协助相关人员对乳腺X线图片进行客观识别,准确分类。
[0005] 为了解决上述技术问题,本发明采用的技术方案为:一种对乳腺X线图片进行分类处理的方法,包括以下步骤:第一步,对乳腺X线图片预处理
去除乳腺X线图片中多余背景,步骤如下:
a.将图像所有行的像素值相加得到一组数值;
b.设置阈值为0,去掉步骤a中值为0的部分,保留值大于0的部分;
c.对图像所有列的像素值重复以上步骤;
从而得到的图像即为去掉多余背景的图像;
第二步,数据增强,即增加乳腺X线图片的数据,步骤如下:
将去掉多余背景的乳腺X线图片尺度随机变换到350mm×350mm;
d.随机多次裁剪299mm×299mm大小区域;
e.随机平翻转180度,增加图片数量;
f.加入高斯噪声;
g.正则化;
多次重复d至g步骤,将乳腺X线图片的数据增强
第三步,采用深度卷积神经网络进行训练
采用GoogLeNet Inception V4对数据增强后的乳腺X线图片进行训练,建立一个乳腺X线图片大数据网络模型,
GoogLeNet是一种在LeNet基础上发展形成的深度卷积神经网络,深度卷积神经网络采用了Inception V4结构;
所述的Inception V4结构利用残差连接Residual Connection将Inception模块与残差连接(ResNet)结合;
第四步,乳腺X线图片的分类
将重新输入乳腺X线图片与采用深度卷积神经网络进行训练得出的大数据网络模型进行比对,得到相应的分类。
[0006] 进一步的,所述第二步中采用旋转、缩放、平移、裁剪和镜像转换来增加乳腺X线图片的数据集。
[0007] 本发明与现有技术相比具有以下有益效果:本发明将卷积神经网络加入到乳腺X线图片进行分类处理技术中,利用计算机强大的信息处理能,识别和分类乳腺X线图片,辅助医生判断乳腺病灶的良恶可能性,在医学影像领域具有重要意义。
[0008] 本发明研究了基于深度卷积神经网络进行识别和分类乳腺X线图片的方法,首先对采集的乳腺X线图片进行预处理,然后针对数据集不足的问题进行数据增强(Data Augmentation),最后将利用数据集训练神经网络,以达到辅助医生快速诊断的目的,为临床的诊断和治疗提供了一种新的有效的方法。附图说明
[0009] 下面结合附图对本发明做进一步详细的说明;图1为本发明的流程图
[0010] 图2为GoogLeNet Inception V4模型结构示意图。
[0011] 图3为ResNet的残差结构示意图。

具体实施方式

[0012] 结合图1、图2和图3对本发明做进一步描述:一种采用GoogLeNet Inception V4对乳腺X线图片进行分类处理的方法,具体步骤如下:1.对乳腺X线图片进行预处理的步骤
医院采集的乳腺X线图片一般都包含较多的背景区域,这些背景并不包含有用信息,而且对神经网络的训练过程也没有帮助。去除多余背景可以减少计算量,提升网络性能。所以在将图片输入神经网络前可以对这部分区域予以去除,具体方法如下:
(1)将图像所有行的像素值相加得到一组数值;
(2)设置阈值为0,去掉步骤(1)中值为0的部分,保留值大于0的部分;
(3)对图像所有列的像素值重复以上步骤;
最终得到的图像即为去掉多余背景的图像。
[0013] 2.对乳腺X线图片进行数据增强的步骤训练神经网络需要相当大的数据集,然而在实际中,由于医院采集乳腺X线图像数据耗时耗力,而且在现阶段缺乏统一标准,以及其他各种各样的问题,造成数据稀缺的问题。本发明拟采用数据增强解决数据稀缺问题。
[0014] 数据增强是一种常用于深度学习的技术,指的是从已有的数据中产生新样本的过程,从而能够改善数据稀缺并防止过拟合。在自然图像中的物体识别任务中,通常只进行简单的水平翻转,但对于诸如光学字符识别等任务,已经表明弹性变形可以大大提高性能。
[0015] 数据增强的常用方法有:(1)平移变换;
(2)水平、垂直翻转;
(3)尺度变换;
(4)随机裁剪、缩放;
(5)颜色、光照变换;
(6)高斯噪声、模糊处理,等。
[0016] 乳房X线照相术在病变层面的主要变化来源是旋转,缩放,平移和闭塞组织的数量。所以对每个训练的原始图像都实行数据增强转换来增加数据集的有效大小,从而增加训练集大小,减轻训练集规模的相对较小的影响。具体步骤如下:(1)尺度变换到350mm×350mm大小
使用transforms.Resize(350)实现图像尺寸变换,下一步随机裁剪是在350mm尺寸的图片上裁剪。
[0017] (2)随机裁剪299mm×299mm大小区域GoogLenet需要299大小的输入,使用transforms.RandomCrop(299)实现随机裁剪,以增加图片数量。
[0018] (3)随机水平翻转180度使用transforms.RandomHorizontalFlip()函数,使随机裁剪后的299大小图片以0.5的概率随机水平翻转,以增加图片数量。
[0019] (4)加入高斯噪声使用OpenCV加入高斯噪声。
[0020] (5)正则化使用transforms.Normalize([0.485,0.456,0.406], [0.229,0.224,0.225])函数实现加入噪声后图像的正则化。
[0021] 多次重复(1)至(5)步骤,将乳腺X线图片的数据增强。
[0022] 3.建立深度卷积神经网络网络模型训练的步骤本发明采用GoogLeNet Inception V4对乳腺X线图片进行分类以,帮助医生实现乳腺病灶良恶性快速诊断。GoogLeNet是一种在LeNet基础上发展形成的深度卷积神经网络,它的结构有22层,其中的先进之处在于应用了Inception结构。Inception结构在利用网络中计算资源方面效果较好,它在网络的宽度和深度方面都有所增加,却没有使计算负载增大。
与此同时,为了使网络的质量达到更优的效果,GoogLeNet采用了Hebbian原理和多尺度处理,无论是在分类方面还是检测方面都获得了较好的结果。
[0023] GoogLeNet是一种增加了Inception结构的网络,这也是它的优越性所在。Inception原来的结点也是一个网络,即网中网(Network In Network)结构。GoogLeNet增加了Inception结构以后,便形成了“基础神经元”结构,从而来搭建一个新的网络,这个网络不仅保持了网络结构的稀疏性,还利用了密集矩阵高计算性的网络结构。Inception V4是在Inception V1、Inception V2、Inception V3的基础上演变而来的,它改进了Inception V3的结构,利用残差连接(Residual Connection)将Inception模块与残差连接(ResNet)结合。ResNet结构大大地加深了网络深度,还极大地提升了训练速度,同时性能也有提升。
[0024] 如图3所示的GoogLeNet Inception V4中的ResNet的残差结构示意图,其中1×1卷积的作用是降维,加入Inception以后,深度卷积网络的宽度和深度都得到了增大,从而也使整个网络的性能得到2-3倍的提升。
[0025] GoogLeNet Inception V4具有以下几个特点:(1)深度方面GoogLeNet Inception V4具有22层的深层结构,为了防止梯度消失,GoogLeNet在不同的位置增加了损失函数。
[0026] (2)宽度方面增加了多种核1×1,3×3,5×5,以及池化层,但是如果只是简单的将这些应用到特征图上的话,合并形成的特征图厚度将会很大。为了避免这一现象,Inception V4分别在3×3核,5×5核,以及池化层后分别加上了1×1的卷积核,从而起到降低特征图厚度的作用。
[0027] 本发明识别和分类乳腺X线图片的具体步骤为:(1)采集到的乳腺X线图片,经过预处理,去除背景部分;
(2)对每个训练图像采用旋转、缩放、平移、裁剪和镜像转换来增加数据集的有效大小,从而增加训练集大小,减轻训练集规模的相对较小的影响;
(3)将经过预处理和数据增强的乳腺X线图片随机分为10份,采用十倍交叉验证进行训练和测试以得到准确的网络模型;
(4)利用训练好的模型进行分类。
[0028] 经过上述4步分类后,充分利用卷积神经网络模型,快速、客观的得出乳腺X线图片的分类结果,从而辅助医生得出诊断结论提供了帮助。
[0029] 本发明将卷积神经网络加入到乳腺X线图片进行分类处理技术中,利用计算机强大的信息处理能力,识别和分类乳腺X线图片,辅助医生判断乳腺病灶的良恶可能性,在医学影像领域具有重要意义。
[0030] 本发明研究了基于深度卷积神经网络进行识别和分类乳腺X线图片的方法,首先对采集的乳腺X线图片进行预处理,然后针对数据集不足的问题进行数据增强(Data Augmentation),最后将利用数据集训练神经网络,以达到辅助医生快速诊断的目的,为临床的诊断和治疗提供了一种新的有效的辅助方法。
[0031] 尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈