CN110738671A - 一种基于深度学习自动分割乳腺钙化点的方法 - Google Patents

一种基于深度学习自动分割乳腺钙化点的方法 Download PDF

Info

Publication number
CN110738671A
CN110738671A CN201910975493.3A CN201910975493A CN110738671A CN 110738671 A CN110738671 A CN 110738671A CN 201910975493 A CN201910975493 A CN 201910975493A CN 110738671 A CN110738671 A CN 110738671A
Authority
CN
China
Prior art keywords
layer
representing
output
input
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910975493.3A
Other languages
English (en)
Inventor
吴法
张宁子
李康安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Deshang Yunxing Medical Technology Co Ltd
Original Assignee
Zhejiang Deshang Yunxing Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Deshang Yunxing Medical Technology Co Ltd filed Critical Zhejiang Deshang Yunxing Medical Technology Co Ltd
Priority to CN201910975493.3A priority Critical patent/CN110738671A/zh
Publication of CN110738671A publication Critical patent/CN110738671A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及乳腺X射线辅助诊断技术，旨在提供一种基于深度学习自动分割乳腺钙化点的方法。包括步骤：制作数据集；数据预取；构建深度卷积神经网络；利用归一化处理后的数据集，训练深度卷积神经网络；利用训练完毕的深度卷积神经网络对待检测图像进行推理。本发明通过引入深度卷积神经网络学习与训练的相关技术，可以快速、自动分割出乳腺X射线图像上的所有钙化点。基于该本发明的应用，能够辅助提高医生判断癌变的准确性。

Description

一种基于深度学习自动分割乳腺钙化点的方法
技术领域
本发明涉及乳腺X射线辅助诊断技术，特别涉及一种基于深度学习自动分割乳腺钙化点的方法。
背景技术
计算机辅助诊断是医学影像领域的一个重要课题，随着人工智能的兴起，计算机图像处理，模式识别已经越来越多的应用于辅助医学诊断领域，通过获取不同类型的医学影像，对其中的病灶进行分割和良恶性识别能够辅助医生更加清晰的观察病变部位，更加准确的识别病变的特性，具有非常重要的意义。
乳腺癌已经发展成为女性最常见的癌症之一，研究表明一期乳腺癌的治愈率可达到95％。因此越早发现乳腺癌，越早介入治疗会有比较高的治愈率。利用乳腺X射线成像技术研究乳腺组织中的钙化点极其分布已经成为诊断乳腺癌的重要标准。而乳腺中的钙化点微小且大量分布在乳腺组织上，人工阅片很难找到所有的钙化点和一些直径小于5mm的微小钙化点，极易造成误诊或漏诊。
发明内容
本发明要解决的技术问题是，克服现有技术中的不足，提供一种基于深度学习自动分割乳腺钙化点的方法。
为解决技术问题，本发明的解决方案是：
提供一种基于深度学习自动分割乳腺钙化点的方法，包括以下步骤：
(1)制作数据集
取足量的脱敏乳腺X射线DICOM格式图像，由多名专业医生阅片并对乳腺X射线图像钙化点进行交叉标注，取其中标注一致的图像用于构建数据集；
在该数据集中，针对每个病案生成与原图像大小一致的二值图像；该二值图像中像素不为0的(x0，y0)位置表示原始图像相同位置存在钙化点，反之则不存在钙化点；
(2)数据预取
从步骤(1)中的数据集中取N张样本及其对应的钙化点二值图，进行归一化处理；N的取值范围为不小于20000；
(3)构建深度卷积神经网络
建立一个包括16层卷积层、2层上采用层和1层逻辑层的深度卷积神经网络；将16层卷积层分别表示为Conv1，Conv2，Conv3……Conv16；2层上采样层分别表示为UpSampling1，UpSampling2；最后一层逻辑层记为Logistic1，用于对上层的输入逐像素给出该位置属于钙化点的概率值；
(4)利用步骤(2)中归一化处理后的数据集，训练步骤(3)中的深度卷积神经网络；
(5)利用步骤(4)中训练完毕的深度卷积神经网络对待检测图像进行推理
将待检测的乳腺X射线图像进行归一化处理，然后输入到经训练的深度卷积神经网络中并输出概率图，图中像素点的取值即为该点属于钙化情形的概率。
本发明中，所述步骤(3)中进一步包括：
设定Conv1表达式为：
a1＝σ(z1)＝σ(conv(a0，w1)+b1)
其中，a0表示网络的输入，即乳腺X射线病案中的一幅单通道图像；w1表示第一层共享权值，b1表示第一层偏置，conv(a0，w1)表示网络的输入和权值执行卷积操作，w1的大小为7x7，滑动步长为2x2，padding大小3x3，输入图像的通道数为1，输出feature maps的通道数为64，σ表示卷积层的ReLU激活函数，z1表示卷积输出，a1表示卷积激活值；
设定Conv2表达式为：
a2＝σ(z2)＝σ(conv(a1，w2)+b2)
其中，a1表示该层输入，即上一层Conv1的输出，w2表示第二层共享权值，b2表示第二层偏置，conv(a1，w2)表示该层输入和权值执行卷积操作，w2的大小为5x5，滑动步长为2x2，padding大小2x2，输入通道数为64，输出feature maps的通道数为64，σ表示卷积层的ReLU激活函数，z2表示卷积输出，a2表示卷积激活值；
设定Conv3表达式为：
a3＝σ(z3)＝σ(conv(a2，w3)+b3)
其中，a2表示该层输入，即上一层Conv2的输出，w3表示第三层共享权值，b3表示第三层偏置，conv(a2，w3)表示该层输入和权值执行卷积操作，w3的大小为3x3，滑动步长为1x1，padding大小1x1，输入通道数为64，输出feature maps的通道数为128，σ表示卷积层的ReLU激活函数，z3表示卷积输出，a3表示卷积激活值；
设定Conv4至Conv15与Conv3具有相同的卷积核尺寸、滑动步长和padding尺寸，不同之处在于Conv4至Conv8共5层的输出feature maps通道数目呈256的倍数递增，即Conv4输出通道数为256、Conv5输出通道数为512，以此类推，Conv8输出通道数为4096；Conv9至Conv14共5层的输出feature maps通道数目呈256的倍数递减，即Conv9输出通道数为4096、Conv10输出通道数为2048，以此类推，Conv14输出通道数为256；最后一层Conv15输出feature maps通道数为16。
本发明中，对于步骤(3)中的2层上采样层：
设定UpSampling1表达式为：
a16＝z16＝upSampling(a15)
其中，a15表示该层输入，即Conv15的输出，a16表示该层的输出，upSampling表示上采样函数；
设定UpSampling2表达式为：
a17＝z17＝upSampling(a16)
其中，a16表示该层输入，即UpSampling1的输出，a17表示该层的输出，upSampling表示上采样函数。
本发明中，所述步骤(3)中，Logisticl层对上层的输入逐像素给出该位置属于钙化点的概率值，其输出钙化概率图的公式为：
f(x)＝1/1+e-x
式中，e表示欧拉数2.71828，x为该层输入图像像素值，即upSampling2输出feature maps像素值；表示该像素点为钙化的概率值。
本发明中，所述步骤(4)具体包括：
建立权值更新方程：
wt+1＝wt+ηΔθt
bt+1＝bt+ηΔθt
其中，wt表示上一时刻网络的权值，wt+1表示当前时刻网络的权值，η表示学习速率，Δθt表示利用BP算法求得当前梯度增量；bt表示上一时刻网络的偏置，wt+1表示当前时刻网络的偏置；
设定损失函数表达式为：
Figure BDA0002232021390000031
其中，xi表示一幅图像，hθ(x(i))表示网络的预测输出，yi表示与xi对应的mask输出，θ为网络参数，m表示输入网络图片的数目；
取N张乳腺X射线图像记为一个Batch，将其全部归一化并输入网络，通过最小化损失函数来更新权值，直到损失函数达到预设的阈值则完成训练；
归一化公式如下所示：
其中，
Figure BDA0002232021390000042
表示第i张乳腺X射线图像归一化结果图；μ表示数据集中所有乳腺X射线图像的像素均值；σ表示数据集中所有乳腺X射线图像的标准差；xi表示第i张乳腺X射线原始图像。
与现有技术相比，本发明的有益效果在于：
本发明通过引入深度卷积神经网络学习与训练的相关技术，可以快速、自动分割出乳腺X射线图像上的所有钙化点。基于该本发明的应用，能够辅助提高医生判断癌变的准确性。
附图说明
图1为本发明的操作流程图。
图2为乳腺X射线图像及人工标定的钙化二值图。
图3为深度卷积神经的输入和输出的钙化概率图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述；
本实施例中，基于深度学习自动分割乳腺钙化点的方法，包括以下步骤：
(1)制作数据集
取不少于1万个病案的脱敏乳腺X射线DICOM格式图像，每个病案包含左右乳房CC中轴位和MLO侧斜位共4幅图像；由至少4名专业医生阅片并对乳腺X射线图像钙化点进行交叉标注，取标注一致的图像用于构建数据集；
医学影像和其他专业领域图像的不同之处在于，医学图像的标注需要借助专业医生的阅片经验。因此本实例中由至少4位专业医生(例如主任医师)对乳腺X射线图像钙化点进行交叉标注，取其中注均一致的图像用于构建数据集。
在该数据集中，针对每个病案生成4幅与原图像大小一致的二值图像；该二值图像中像素不为0的(x0，y0)位置表示原始图像相同位置存在钙化点，反之则不存在钙化点；
(2)数据预取
从步骤(1)中的数据集中取N张样本及其对应的钙化点二值图，进行归一化处理。本实例中N值取32；其中，样本图像作为深度卷积神经网络的X输入，二值图像作为标签Y输入网络。
(3)构建深度卷积神经网络
建立一个包括16层卷积层、2层上采用层和1层逻辑层的深度卷积神经网络，将16层卷积层分别表示为Conv1，Conv2，Conv3……Conv16；2层上采样层分别表示为UpSampling1，UpSampling2；最后一层逻辑层记为Logistic1。
其中，Conv1表达式为：
a1＝σ(z1)＝σ(conv(a0，w1)+b1)
其中，a0表示网络的输入，即乳腺X射线病案中的一幅单通道图像。w1表示第一层共享权值，b1表示第一层偏置，conv(a0，w1)表示网络的输入和权值执行卷积操作，w1的大小为7x7，滑动步长为2x2，padding大小3x3，输入图像的通道数为1，输出feature maps的通道数为64，σ表示卷积层的ReLU激活函数，z1表示卷积输出，a1表示卷积激活值。
Conv2表达式为：
a2＝σ(z2)＝σ(conv(a1，w2)+b2)
其中，a1表示该层输入，即上一层Conv1的输出，w2表示第二层共享权值，b2表示第二层偏置，conv(a1，w2)表示该层输入和权值执行卷积操作，w2的大小为5x5，滑动步长为2x2，padding大小2x2，输入通道数为64，输出feature maps的通道数为64，σ表示卷积层的ReLU激活函数，z2表示卷积输出，a2表示卷积激活值。
Conv3表达式为：
a3＝σ(z3)＝σ(conv(a2，w3)+b3)
其中，a2表示该层输入，即上一层Conv2的输出，w3表示第三层共享权值，b3表示第三层偏置，conv(a2，w3)表示该层输入和权值执行卷积操作，w3的大小为3x3，滑动步长为1x1，padding大小1x1，输入通道数为64，输出feature maps的通道数为128，σ表示卷积层的ReLU激活函数，z3表示卷积输出，a3表示卷积激活值。
Conv4至Conv15同Conv3具有相同的卷积核尺寸，滑动步长和padding尺寸，不同之处在于Conv4至Conv8共5层的输出feature maps通道数目呈256的倍数递增，即Conv4输出通道数为256，Conv5输出通道数为512，以此类推，Conv8输出通道数为4096。Conv9至Conv14共5层的输出feature maps通道数目呈256的倍数递减，即Conv9输出通道数为4096，Conv10输出通道数为2048，以此类推，Conv14输出通道数为256。最后一层Conv15输出featuremaps通道数为16。
UpSampling1表达式为：
a16＝z16＝upSampling(a15)
其中，a15表示该层输入，即Conv15的输出，a16表示该层的输出，upSampling表示上采样函数。
UpSampling2表达式为：
a17＝z17＝upSampling(a16)
其中，a16表示该层输入，即UpSampling1的输出，a17表示该层的输出，upSampling表示上采样函数。
Logistic1层对上层的输入逐像素给出该位置属于钙化点的概率值，其输出钙化概率图，公式为：
f(x)＝1/1+e-x
式中，e表示欧拉数2.71828，x为该层输入图像像素值，即upSampling2输出feature maps像素值。
Figure BDA0002232021390000062
表示该像素点为钙化的概率值。
(4)利用步骤(2)中归一化处理后的数据集(即读取批处理图像)，训练步骤(3)中的深度卷积神经网络；
建立权值更新方程：
wt+1＝wt+ηΔθt
bt+1＝bt+ηΔθt
其中，wt表示上一时刻网络的权值，wt+1表示当前时刻网络的权值，η表示学习速率，Δθt表示利用BP算法求得当前梯度增量。bt表示上一时刻网络的偏置，wt+1表示当前时刻网络的偏置。
损失函数表达式为：
其中，xi表示一幅图像，hθ(x(i))表示网络的预测输出，yi表示与xi对应的mask输出，θ为网络参数，m表示输入网络图片的数目。
取N张乳腺X射线图像记为一个Batch，将其输入网络，通过最小化损失函数来更新权值，直到损失函数达到预设损失阈值则完成训练。本例中N值取32，预设损失阈值设为0.0002。
步骤5，利用训练完毕的深度卷积神经网络推理
将待分割病案中的一副图像归一化，并将其输入到过程一已训练结束的卷积神经网络中，网络输出分割后的概率图像，取0.5的阈值将概率图二值化，如图3右图所示，二值化后的概率图中白色区域表示在原始图像该处存在钙化点，反正则不存在钙化点。
最后，需要指出的是，以上所述仅是本发明的具体实施例。然而，本发明并不局限于以上的实施方式，还可以对其进行改进和变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形和改进，均应认为是本发明的保护范围。

Claims (5)

1.一种基于深度学习自动分割乳腺钙化点的方法，其特征在于，包括以下步骤：
(1)制作数据集
取足量脱敏乳腺X射线DICOM格式图像，由多名专业医生阅片并对乳腺X射线图像钙化点进行交叉标注，取其中标注一致的图像用于构建数据集；
在该数据集中，针对每个病案生成与原图像大小一致的二值图像；该二值图像中像素不为0的(x0，y0)位置表示原始图像相同位置存在钙化点，反之则不存在钙化点；
(2)数据预取
从步骤(1)中的数据集中取N张样本及其对应的钙化点二值图，进行归一化处理；N的取值范围为不小于20000；
(3)构建深度卷积神经网络
建立一个包括16层卷积层、2层上采用层和1层逻辑层的深度卷积神经网络；将16层卷积层分别表示为Conv1，Conv2，Conv3……Conv16；2层上采样层分别表示为UpSampling1，UpSampling2；最后一层逻辑层记为Logistic1，用于对上层的输入逐像素给出该位置属于钙化点的概率值；
(4)利用步骤(2)中归一化处理后的数据集，训练步骤(3)中的深度卷积神经网络；
(5)利用步骤(4)中训练完毕的深度卷积神经网络对待检测图像进行推理
将待检测的乳腺X射线图像进行归一化处理，然后输入到经训练的深度卷积神经网络中并输出概率图，图中像素点的取值即为该点属于钙化情形的概率。
2.根据权利要求1所述的方法，其特征在于，所述步骤(3)中进一步包括：
设定Conv1表达式为：
a1＝σ(z1)＝σ(conv(a0，w1)+b1)
其中，a0表示网络的输入，即乳腺X射线病案中的一幅单通道图像；w1表示第一层共享权值，b1表示第一层偏置，conv(a0，w1)表示网络的输入和权值执行卷积操作，w1的大小为7×7，滑动步长为2×2，padding大小3×3，输入图像的通道数为1，输出feature maps的通道数为64，σ表示卷积层的ReLU激活函数，z1表示卷积输出，a1表示卷积激活值；
设定Conv2表达式为：
a2＝σ(z2)＝σ(conv(a1，w2)+b2)
其中，a1表示该层输入，即上一层Conv1的输出，w2表示第二层共享权值，b2表示第二层偏置，conv(a1，w2)表示该层输入和权值执行卷积操作，w2的大小为5×5，滑动步长为2×2，padding大小2×2，输入通道数为64，输出feature maps的通道数为64，σ表示卷积层的ReLU激活函数，z2表示卷积输出，a2表示卷积激活值；
设定Conv3表达式为：
a3＝σ(z3)＝σ(conv(a2，w3)+b3)
其中，a2表示该层输入，即上一层Conv2的输出，w3表示第三层共享权值，b3表示第三层偏置，conv(a2，w3)表示该层输入和权值执行卷积操作，w3的大小为3×3，滑动步长为1×1，padding大小1×1，输入通道数为64，输出feature maps的通道数为128，σ表示卷积层的ReLU激活函数，z3表示卷积输出，a3表示卷积激活值；
设定Conv4至Conv15与Conv3具有相同的卷积核尺寸、滑动步长和padding尺寸，不同之处在于Conv4至Conv8共5层的输出feature maps通道数目呈256的倍数递增，即Conv4输出通道数为256、Conv5输出通道数为512，以此类推，Conv8输出通道数为4096；Conv9至Conv14共5层的输出feature maps通道数目呈256的倍数递减，即Conv9输出通道数为4096、Conv10输出通道数为2048，以此类推，Conv14输出通道数为256；最后一层Conv15输出featuremaps通道数为16。
3.根据权利要求1所述的方法，其特征在于，对于步骤(3)中的2层上采样层：
设定UpSampling1表达式为：
a16＝z16＝upSampling(a15)
其中，a15表示该层输入，即Conv15的输出，a16表示该层的输出，upSampling表示上采样函数；
设定UpSampling2表达式为：
a17＝z17＝upSampling(a16)
其中，a16表示该层输入，即UpSampling1的输出，a17表示该层的输出，upSampling表示上采样函数。
4.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，Logistic1层对上层的输入逐像素给出该位置属于钙化点的概率值，其输出钙化概率图的公式为：
f(x)＝1/1+e-x
式中，e表示欧拉数2.71828，x为该层输入图像像素值，即upSampling2输出featuremaps像素值；表示该像素点为钙化的概率值。
5.根据权利要求1所述的方法，其特征在于，所述步骤(4)具体包括：
建立权值更新方程：
wt+1＝wt+ηΔθt
bt+1＝bt+ηΔθt
其中，wt表示上一时刻网络的权值，wt+1表示当前时刻网络的权值，η表示学习速率，Δθt表示利用BP算法求得当前梯度增量；bt表示上一时刻网络的偏置，wt+1表示当前时刻网络的偏置；
设定损失函数表达式为：
Figure FDA0002232021380000031
其中，xi表示一幅图像，hθ(x(i))表示网络的预测输出，yi表示与xi对应的mask输出，θ为网络参数，m表示输入网络图片的数目；
取N张乳腺X射线图像记为一个Batch，将其全部归一化并输入网络，通过最小化损失函数来更新权值，直到损失函数达到预设的阈值则完成训练；
归一化公式如下所示：
Figure FDA0002232021380000032
其中，
Figure FDA0002232021380000033
表示第i张乳腺X射线图像归一化结果图；μ表示数据集中所有乳腺X射线图像的像素均值；σ表示数据集中所有乳腺X射线图像的标准差；xi表示第i张乳腺X射线原始图像。
CN201910975493.3A 2019-10-14 2019-10-14 一种基于深度学习自动分割乳腺钙化点的方法 Pending CN110738671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910975493.3A CN110738671A (zh) 2019-10-14 2019-10-14 一种基于深度学习自动分割乳腺钙化点的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910975493.3A CN110738671A (zh) 2019-10-14 2019-10-14 一种基于深度学习自动分割乳腺钙化点的方法

Publications (1)

Publication Number Publication Date
CN110738671A true CN110738671A (zh) 2020-01-31

Family

ID=69268848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910975493.3A Pending CN110738671A (zh) 2019-10-14 2019-10-14 一种基于深度学习自动分割乳腺钙化点的方法

Country Status (1)

Country Link
CN (1) CN110738671A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112201328A (zh) * 2020-10-09 2021-01-08 浙江德尚韵兴医疗科技有限公司 一种基于交叉注意力机制的乳腺肿块分割方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257135A (zh) * 2018-02-01 2018-07-06 浙江德尚韵兴图像科技有限公司 基于深度学习方法解读医学图像特征的辅助诊断系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257135A (zh) * 2018-02-01 2018-07-06 浙江德尚韵兴图像科技有限公司 基于深度学习方法解读医学图像特征的辅助诊断系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
VALVANO G: ""Convolutional Neural Networks for the segmentation of microcalcification in Mammography Imaging"" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112201328A (zh) * 2020-10-09 2021-01-08 浙江德尚韵兴医疗科技有限公司 一种基于交叉注意力机制的乳腺肿块分割方法
CN112201328B (zh) * 2020-10-09 2022-06-21 浙江德尚韵兴医疗科技有限公司 一种基于交叉注意力机制的乳腺肿块分割方法

Similar Documents

Publication Publication Date Title
Zuo et al. R2AU‐Net: attention recurrent residual convolutional neural network for multimodal medical image segmentation
US11423540B2 (en) Segmentation of anatomical regions and lesions
Mahmood et al. Breast lesions classifications of mammographic images using a deep convolutional neural network-based approach
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统
CN110766670A (zh) 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法
CN112907555A (zh) 一种基于影像基因组学的生存预测方法和系统
US11893659B2 (en) Domain adaption
CN112862805B (zh) 听神经瘤图像自动化分割方法及系统
CN111325714A (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
CN112201328A (zh) 一种基于交叉注意力机制的乳腺肿块分割方法
More et al. Brain tumor detection using deep neural network
Khattar et al. Computer assisted diagnosis of skin cancer: a survey and future recommendations
CN114169467A (zh) 图像标注方法、电子设备及存储介质
Rohini et al. Multimodal hybrid convolutional neural network based brain tumor grade classification
CN107590806B (zh) 一种基于大脑医学成像的检测方法和系统
Lubbad et al. A comparative analysis of deep learning-based approaches for classifying dental implants decision support system
CN110738671A (zh) 一种基于深度学习自动分割乳腺钙化点的方法
CN116778250A (zh) 基于迁移学习和cbam的冠脉病变分类方法
Remya et al. A Novel Transfer Learning Framework for Multimodal Skin Lesion Analysis
CN113870194B (zh) 深层特征和浅层lbp特征融合的乳腺肿瘤超声图像处理装置
CN115424081A (zh) 一种可解释的癌症病理切片图像识别方法、装置及计算机设备
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
Singh et al. Revolutionizing Brain Tumor Diagnosis: Harnessing Convolutional Neural Networks for Enhanced Prediction and Classification
Liu et al. SagaNet: A small sample gated network for pediatric cancer diagnosis
Zhao et al. Data augmentation for medical image analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200131

RJ01 Rejection of invention patent application after publication