CN112102262A - 基于深度学习的混沌微波乳腺肿瘤成像分类装置和方法 - Google Patents
基于深度学习的混沌微波乳腺肿瘤成像分类装置和方法 Download PDFInfo
- Publication number
- CN112102262A CN112102262A CN202010888551.1A CN202010888551A CN112102262A CN 112102262 A CN112102262 A CN 112102262A CN 202010888551 A CN202010888551 A CN 202010888551A CN 112102262 A CN112102262 A CN 112102262A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- tumor
- chaotic
- output end
- classification
- 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
Links
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4312—Breast evaluation or disorder diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明涉及一种基于深度学习的混沌微波乳腺肿瘤成像分类装置和方法,利用多个不同波长的激光注入多纵模激光器产生多路准正交的混沌超宽带信号,提出的双分类模型是利用深度学习算法建立神经网络,实现一种对图像的分类效果模型。在监督学习中,为神经网络提供已有属性和标记的数据集,通过初始化权重、梯度下降以及检查梯度下降的正确性等建立可以对图像分类的训练模型,对输入的图像做出判断,利用深度学习的双分类器模型进行肿瘤识别以及良恶分类。本发明具有优良特性的混沌微波光子雷达与深度学习相结合,实现对乳腺肿瘤的高精度识别,解决医生直观判断肿瘤存在的繁琐性和误判性问题。
Description
技术领域
本发明涉及信号处理技术领域,更具体地说,涉及一种基于深度学习的混沌微波乳腺肿瘤成像分类装置和方法。
背景技术
计算机断层扫描(即CT成像)采用投影重建算法重构医学体的图像,具有三维定位的优点,但CT成像的辐射能够穿透细胞诱发某些癌细胞,且该方法成像分辨率较低,设备复杂,检测费用高,难以成为常规的检测手段。
常规超声检查法包括如X射线钼靶成像、B超检测、彩色多普勒超声等。X射线钼靶成像是比较有效的乳腺普查手段,其分辨率高,重复性好,但该技术以二维透视图像显示乳腺的三维结构,立体定位准确性差,乳腺癌患者中假阴性率较高,且乳房密度对测试结果影响大;B超检测适用于肿块较小的、临床不易触及的病灶,但其穿透力较弱,乳房正常组织与肌肉组织的声波阻抗差异很小,成像结果对比不明显,因此不适合作为早期乳腺癌的检测手段;超声检测技术及其补充手段等,依赖于人工识别病理图像,对是否有肿瘤存在或者肿瘤良恶进行判断,耗费时间且图像模糊易出现误判,需要寻求高效且识别度高的方法。
核磁共振扫描仪(MRI)是使用非常强的磁场和无线电波,这些磁场和无线电波与组织中的质子相互作用产生信号,经处理形成人体图像。但核磁共振存在的问题是强磁场有非常大的潜在危险,高磁场对人体的影响仍然是未知的,且价格昂贵不适用于早期筛查。
微波成像技术利用的是正常组织和癌变组织之间较大的介电参数的差异检测肿瘤的存在。恶性肿瘤组织相应于同等大小的正常乳房组织具有更大的微波回波截面,所以利用微波成像法对肿瘤进行早期检测理论上可以得到更好的效果。实验证明这种技术对单肿瘤模型均有较好的成像效果,但会带来由于多肿瘤信号之间相互影响最终导致多肿瘤模型无法准确识别的问题。
综上所述,现有乳腺肿瘤成像技术普遍存在分辨率低、多目标无法识别且人工分类易出错的问题。
发明内容
本发明提供了一种基于深度学习的混沌微波乳腺肿瘤成像分类装置和方法,本发明针对现有技术的不足提供一种基于深度特征学习的混沌微波光子雷达乳腺肿瘤成像分类方法和装置,具有优良特性的混沌微波光子雷达与深度学习相结合,实现对乳腺肿瘤的高精度识别,解决医生直观判断肿瘤存在的繁琐性和误判性问题。
本发明解决其技术问题所采用的技术方案是:构造一种基于深度学习的混沌微波乳腺肿瘤成像分类装置,包括:
第一多纵模半导体激光器、第二多纵模半导体激光器、掺铒光纤放大器、可调节光衰减器、第一偏振控制器、第二偏振控制器、第一光纤耦合器、第二光纤耦合器、第三光耦合器、光隔离器、光纤环形器、第一阵列波导光栅、第二阵列波导光栅、第一光电探测器、第二光电探测器、第一模数转换器、第二模数转换器、超宽带二维平面阵列发射天线和接收天线、数字信号采集模块、乳腺肿瘤分类识别模块及乳腺仿体;
其中,第一多纵模半导体激光器带有光纤反馈环,连接光纤环形器的输入端,所述光纤环形器的输出端连接掺铒光纤放大器的输入端,掺铒光纤放大器的输出端与20:80的第一光纤耦合器输入端相连,20:80的第一光纤耦合器的输出分为两端,第一输出端依序连接第一偏振控制器、第一可调节光衰减器,第一可调节光衰减器的输出端连接至50:50的第二光纤耦合器的第一输入端,50:50的第二光纤耦合器的输出端与光纤环形器连接;同时带有光纤反馈环的第二多纵模半导体激光器依序连接第二可调节光衰减器、第二偏振控制器,第二偏振控制器的输出端连接50:50的第二光纤耦合器的第二输入端;20:80的第一光纤耦合器的第二输出端与光隔离器输入端连接,光隔离器的输出端与10:90的第三光纤耦合器的输入端连接,10:90的第三光纤耦合器的第一输出端与掺铒光纤放大器的输入端连接,掺铒光纤放大器的输出端连接第一阵列波导光栅的输入端,第一阵列波导光栅的输出端为三个,分别与三个第一光电探测器连接,三个第一光电探测器分别连接至一超宽带二维平面阵列发射天线;10:90的第三光纤耦合器的第二输出端连接第二阵列波导光栅的输入端,第二阵列波导光栅的输出端为三个,分别与三个第二光电探测器的输入端连接,每一第二光电探测器的输出端连接一第一模数转换器,三个第一模数转换器连接至数字信号采集模块,接收天线阵列的输出端与三个第二模数转换器相连,三个第二模数转换器连接至数字信号采集模块;数字信号采集模块与乳腺肿瘤分类识别模块相连,将信号传输至乳腺肿瘤分类识别模块进行肿瘤识别以及良恶分类。
其中,利用多波长光注入联合光反馈混合扰动多纵模半导体激光器产生多路准正交的混沌超宽带信号。
其中,第一光电探测器和第二光电探测器用于将不同波长的混沌光信号转换为相应的混沌电信号。
此外,本发明提供了一种基于深度学习的混沌微波乳腺肿瘤成像分类方法,利用如前述技术方案所述的基于深度学习的混沌微波乳腺肿瘤成像分类装置进行成像分类,包括步骤:
利用多个不同波长的激光注入多纵模激光器,以产生多路准正交的混沌UWB 信号;
产生的两两准正交多路混沌UWB 信号,分为两路,一路作为参考信号,一路作为探测信号,对乳腺仿体进行探测,数字信号采集模块对乳腺回波信号进行采集后,进入乳腺肿瘤分类识别模块进行肿瘤识别以及良恶分类;
在乳腺肿瘤分类识别模块中,对乳腺回波信号进行噪声和杂波的过滤消除,经过图像处理后对乳房内部模拟肿瘤进行成像,将肿瘤图像进行标签,将其作为输入,进入肿瘤分类器以判断图像中是否存在肿瘤,进行肿瘤图像的识别;再将此肿瘤图像进行特征提取,作为肿瘤良恶分类器的输入,从而做出良恶性肿瘤的判断。
区别于现有技术,本发明的基于深度学习的混沌微波乳腺肿瘤成像分类装置和方法,基于混沌理论的微波光子进行乳腺肿瘤检测,与深度学习的高效识别方案相结合,利用多个不同波长的激光注入多纵模激光器产生多路准正交的混沌超宽带信号,提出的双分类模型是利用深度学习算法建立神经网络,实现一种对图像的分类效果模型。在监督学习中,为神经网络提供已有属性和标记的数据集,通过初始化权重、梯度下降以及检查梯度下降的正确性等建立可以对图像分类的训练模型,对输入的图像做出判断,利用深度学习的双分类器模型进行肿瘤识别以及良恶分类。本发明具有优良特性的混沌微波光子雷达与深度学习相结合,实现对乳腺肿瘤的高精度识别,解决医生直观判断肿瘤存在的繁琐性和误判性问题。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种基于深度学习的混沌微波乳腺肿瘤成像分类装置的结构示意图。
图2是本发明提供的一种基于深度学习的混沌微波乳腺肿瘤成像分类装置中去除本底噪声的混沌信号的频谱示意图。
图3是本发明提供的一种基于深度学习的混沌微波乳腺肿瘤成像分类装置中只有光反馈时获得的最大带宽混沌信号的频谱示意图。
图4是本发明提供的一种基于深度学习的混沌微波乳腺肿瘤成像分类装置中选择合适的注入光功率和光频失谐量所获得的混沌超宽带信号的频谱示意图。
图5是本发明提供的一种基于深度学习的混沌微波乳腺肿瘤成像分类装置中本底噪声信号的频谱示意图。
图6是本发明提供的一种基于深度学习的混沌微波乳腺肿瘤成像分类装置中产生的混沌超宽带信号的光谱图。
图7是本发明提供的一种基于深度学习的混沌微波乳腺肿瘤成像分类方法的逻辑示意图。
图1中,Slave FP-LD:多纵模半导体激光器;EDFA:掺铒光纤放大器;VOA:可调节光衰减器;PC:偏振控制器;20:80、50:50:光纤耦合器;OI:光隔离器;OC:光纤环形器;AWG:阵列波导光栅;PD:光电探测器。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参阅图1,本发明提供了一种基于深度学习的混沌微波乳腺肿瘤成像分类装置,包括:
第一多纵模半导体激光器、第二多纵模半导体激光器、掺铒光纤放大器、可调节光衰减器、第一偏振控制器、第二偏振控制器、第一光纤耦合器、第二光纤耦合器、第三光耦合器、光隔离器、光纤环形器、第一阵列波导光栅、第二阵列波导光栅、第一光电探测器、第二光电探测器、第一模数转换器、第二模数转换器、超宽带二维平面阵列发射天线和接收天线、数字信号采集模块、乳腺肿瘤分类识别模块及乳腺仿体;
其中,第一多纵模半导体激光器带有光纤反馈环,连接光纤环形器的输入端,所述光纤环形器的输出端连接掺铒光纤放大器的输入端,掺铒光纤放大器的输出端与20:80的第一光纤耦合器输入端相连,20:80的第一光纤耦合器的输出分为两端,第一输出端依序连接第一偏振控制器、第一可调节光衰减器,第一可调节光衰减器的输出端连接至50:50的第二光纤耦合器的第一输入端,50:50的第二光纤耦合器的输出端与光纤环形器连接;同时带有光纤反馈环的第二多纵模半导体激光器依序连接第二可调节光衰减器、第二偏振控制器,第二偏振控制器的输出端连接50:50的第二光纤耦合器的第二输入端;20:80的第一光纤耦合器的第二输出端与光隔离器输入端连接,光隔离器的输出端与10:90的第三光纤耦合器的输入端连接,10:90的第三光纤耦合器的第一输出端与掺铒光纤放大器的输入端连接,掺铒光纤放大器的输出端连接第一阵列波导光栅的输入端,第一阵列波导光栅的输出端为三个,分别与三个第一光电探测器连接,三个第一光电探测器分别连接至一超宽带二维平面阵列发射天线;10:90的第三光纤耦合器的第二输出端连接第二阵列波导光栅的输入端,第二阵列波导光栅的输出端为三个,分别与三个第二光电探测器的输入端连接,每一第二光电探测器的输出端连接一第一模数转换器,三个第一模数转换器连接至数字信号采集模块,接收天线阵列的输出端与三个第二模数转换器相连,三个第二模数转换器连接至数字信号采集模块;数字信号采集模块与乳腺肿瘤分类识别模块相连,将信号传输至乳腺肿瘤分类识别模块进行肿瘤识别以及良恶分类。
其中,利用多波长光注入联合光反馈混合扰动多纵模半导体激光器产生多路准正交的混沌超宽带信号。
其中,第一光电探测器和第二光电探测器用于将不同波长的混沌光信号转换为相应的混沌电信号。
如图1所示,带有光纤反馈环的第一多纵模半导体激光器(Slave FP-LD)用于产生多波长混沌信号,通过掺铒光纤放大器(EDFA)和第一可调节光衰减器(VOA)控制反馈光强的大小,第一偏振控制器(PC)用于调节反馈光的偏振状态。相同参数的第二多纵模半导体激光器(Master FP-LD)作为外部注入光源,通过一个50:50的第二光纤耦合器和光纤环形器(OC)注入到Slave FP-LD。利用PC和VOA分别调节注入光的偏振态与功率大小。图2-5中,图2曲线为去除本底噪声的混沌信号的频谱,图4曲线为只有光反馈时获得的最大带宽混沌信号的频谱,其带宽为8.8GHz,图3曲线为选择合适的注入光功率和光频失谐量所获得的混沌超宽带信号的频谱,其带宽为32.2GHz,图5曲线为本底噪声的频谱图。上述混沌超宽带信号处于2.5GHz~38.5GHz的频段范围,功率起伏仅在±3dB内,表明所产生的混沌信号频谱宽而平坦。图6所示为所产生的混沌超宽带信号的光谱图。此时多纵模半导体激光器处于非注入锁定状态,输出的光谱中包含多个纵模输出,且每个纵模的能量相近。在适当的注入光功率和光频失谐情况下,实验产生至少3个波长、且波长间两两准正交的混沌UWB信号。
在适当的注入光功率和光频失谐情况下,实验产生至少3个波长、且波长间两两准正交的混沌UWB信号。
混沌UWB信号经过10:90的第一光纤耦合器,分为两路:一路作为参考信号,另一路经过掺铒光纤放大器(EDFA)放大后,作为探测信号。混沌探测信号进入阵列波导光栅(AWG)中,按波长解复用分为3路。不同波长的混沌光信号经过光电探测器(PD)转换为相应的混沌电信号,分别接入超宽带二维平面阵列发射天线的发射阵元(一个波长对应一个阵元),进而发射出去,乳腺肿瘤目标物散射的回波信号由相同结构的阵列天线接收。3个发射阵元对应3个正交发射信号,这些相互正交的发射信号经目标物散射被3个接收阵元接收,经过模数转换(A/D)后传送回数字信号采集模块。
数字信号采集模块和乳腺肿瘤分类识别模块进行数据处理和成像分类,如图4所示。通过对3路参考信号和3路回波信号进行两两相关,可以获得特定的发射阵元到目标和目标到特定接收阵元的时间延迟,进而得到目标和收发阵元之间的回波信息。利用预处理回波信号的自相关测量信号相关峰值的曲线,分析乳房各部分对雷达信号散射的物理参量。此过程经多路准正交重复后获取多组接收信号,用多组信号叠加不仅可以增加接收信号的信噪比以提高信号的检测精度,而且可以进行多肿瘤识别,经过图像处理后对乳房内部模拟肿瘤进行成像。
利用预处理回波信号的自相关测量信号相关峰值的曲线,分析乳房各部分对雷达信号散射的物理参量。通过超宽带微波信号的自相关测量信号相关峰值得出胸腺生物组织特性,利用乳腺组织不同的电磁特性,对测量数据进行大量的数据采集和处理得出测量的经验公式,实现能用于检测胸腺中乳腺肿瘤的图像。利用胸腺组织电磁特性与检测系统之间的关系为实际胸腺组织中乳腺肿瘤的检测提供数据支持。
本发明引入神经网络模型,进行乳腺肿瘤图像的识别和分类,在训练和测试阶段,将肿瘤图像进行标签,将其作为输入,进入肿瘤分类器以判断图像中是否存在肿瘤,进行肿瘤图像的识别;再将此肿瘤图像进行特征提取,作为肿瘤良恶分类器的输入,从而做出良恶性肿瘤的判断。随机初始化权重,执行前向传播算法,计算每一层隐藏层中每一个单元的激励值和权重,最小化代价函数,再执行反向传播算法,求代价函数对每一个权重的偏导数,进行梯度检查验证梯度下降算法的正确性,通过最优化算法使得神经网络达到最理想的识别分类效果,建立高检测效率与高精度的肿瘤识别分类模型,实现乳腺肿瘤组织分类识别系统的建立。其中,肿瘤分类器和肿瘤良恶分类器均为softmax分类器。
如图7所示,本发明提供了一种基于深度学习的混沌微波乳腺肿瘤成像分类方法,利用如前述技术方案所述的基于深度学习的混沌微波乳腺肿瘤成像分类装置进行成像分类,包括步骤:
利用多个不同波长的激光注入多纵模激光器,以产生多路准正交的混沌UWB 信号;
产生的两两准正交多路混沌UWB 信号,分为两路,一路作为参考信号,一路作为探测信号,对乳腺仿体进行探测,数字信号采集模块对乳腺回波信号进行采集后,进入乳腺肿瘤分类识别模块进行肿瘤识别以及良恶分类;
在乳腺肿瘤分类识别模块中,对乳腺回波信号进行噪声和杂波的过滤消除,经过图像处理后对乳房内部模拟肿瘤进行成像,将肿瘤图像进行标签,将其作为输入,进入肿瘤分类器以判断图像中是否存在肿瘤,进行肿瘤图像的识别;再将此肿瘤图像进行特征提取,作为肿瘤良恶分类器的输入,从而做出良恶性肿瘤的判断。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (4)
1.一种基于深度学习的混沌微波乳腺肿瘤成像分类装置,其特征在于,包括:
第一多纵模半导体激光器、第二多纵模半导体激光器、掺铒光纤放大器、可调节光衰减器、第一偏振控制器、第二偏振控制器、第一光纤耦合器、第二光纤耦合器、第三光耦合器、光隔离器、光纤环形器、第一阵列波导光栅、第二阵列波导光栅、第一光电探测器、第二光电探测器、第一模数转换器、第二模数转换器、超宽带二维平面阵列发射天线和接收天线、数字信号采集模块、乳腺肿瘤分类识别模块及乳腺仿体;
其中,第一多纵模半导体激光器带有光纤反馈环,连接光纤环形器的输入端,所述光纤环形器的输出端连接掺铒光纤放大器的输入端,掺铒光纤放大器的输出端与20:80的第一光纤耦合器输入端相连,20:80的第一光纤耦合器的输出分为两端,第一输出端依序连接第一偏振控制器、第一可调节光衰减器,第一可调节光衰减器的输出端连接至50:50的第二光纤耦合器的第一输入端,50:50的第二光纤耦合器的输出端与光纤环形器连接;同时带有光纤反馈环的第二多纵模半导体激光器依序连接第二可调节光衰减器、第二偏振控制器,第二偏振控制器的输出端连接50:50的第二光纤耦合器的第二输入端;20:80的第一光纤耦合器的第二输出端与光隔离器输入端连接,光隔离器的输出端与10:90的第三光纤耦合器的输入端连接,10:90的第三光纤耦合器的第一输出端与掺铒光纤放大器的输入端连接,掺铒光纤放大器的输出端连接第一阵列波导光栅的输入端,第一阵列波导光栅的输出端为三个,分别与三个第一光电探测器连接,三个第一光电探测器分别连接至一超宽带二维平面阵列发射天线;10:90的第三光纤耦合器的第二输出端连接第二阵列波导光栅的输入端,第二阵列波导光栅的输出端为三个,分别与三个第二光电探测器的输入端连接,每一第二光电探测器的输出端连接一第一模数转换器,三个第一模数转换器连接至数字信号采集模块,接收天线阵列的输出端与三个第二模数转换器相连,三个第二模数转换器连接至数字信号采集模块;数字信号采集模块与乳腺肿瘤分类识别模块相连,将信号传输至乳腺肿瘤分类识别模块进行肿瘤识别以及良恶分类。
2.根据权利要求1所述的基于深度学习的混沌微波乳腺肿瘤成像分类装置,其特征在于,利用多波长光注入联合光反馈混合扰动多纵模半导体激光器产生多路准正交的混沌超宽带信号。
3.根据权利要求1所述的基于深度学习的混沌微波乳腺肿瘤成像分类装置,其特征在于,第一光电探测器和第二光电探测器用于将不同波长的混沌光信号转换为相应的混沌电信号。
4.一种基于深度学习的混沌微波乳腺肿瘤成像分类方法,利用如权利要求1-3任一所述的基于深度学习的混沌微波乳腺肿瘤成像分类装置进行成像分类,其特征在于,包括步骤:
利用多个不同波长的激光注入多纵模激光器,以产生多路准正交的混沌UWB 信号;
产生的两两准正交多路混沌UWB 信号,分为两路,一路作为参考信号,一路作为探测信号,对乳腺仿体进行探测,数字信号采集模块对乳腺回波信号进行采集后,进入乳腺肿瘤分类识别模块进行肿瘤识别以及良恶分类;
在乳腺肿瘤分类识别模块中,对乳腺回波信号进行噪声和杂波的过滤消除,经过图像处理后对乳房内部模拟肿瘤进行成像,将肿瘤图像进行标签,将其作为输入,进入肿瘤分类器以判断图像中是否存在肿瘤,进行肿瘤图像的识别;再将此肿瘤图像进行特征提取,作为肿瘤良恶分类器的输入,从而做出良恶性肿瘤的判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010888551.1A CN112102262A (zh) | 2020-08-28 | 2020-08-28 | 基于深度学习的混沌微波乳腺肿瘤成像分类装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010888551.1A CN112102262A (zh) | 2020-08-28 | 2020-08-28 | 基于深度学习的混沌微波乳腺肿瘤成像分类装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102262A true CN112102262A (zh) | 2020-12-18 |
Family
ID=73758250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010888551.1A Pending CN112102262A (zh) | 2020-08-28 | 2020-08-28 | 基于深度学习的混沌微波乳腺肿瘤成像分类装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102262A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005052A (zh) * | 2015-06-05 | 2015-10-28 | 太原理工大学 | 光载超宽带远程微波光子混沌mimo成像雷达 |
CN108304889A (zh) * | 2018-03-05 | 2018-07-20 | 南方医科大学 | 一种基于深度学习的全数字乳腺成像图像放射组学方法 |
CN110838110A (zh) * | 2019-11-05 | 2020-02-25 | 张峰 | 一种基于超声成像的良恶性肿块的识别系统 |
-
2020
- 2020-08-28 CN CN202010888551.1A patent/CN112102262A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005052A (zh) * | 2015-06-05 | 2015-10-28 | 太原理工大学 | 光载超宽带远程微波光子混沌mimo成像雷达 |
CN108304889A (zh) * | 2018-03-05 | 2018-07-20 | 南方医科大学 | 一种基于深度学习的全数字乳腺成像图像放射组学方法 |
CN110838110A (zh) * | 2019-11-05 | 2020-02-25 | 张峰 | 一种基于超声成像的良恶性肿块的识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8050740B2 (en) | Microwave-based examination using hypothesis testing | |
US7809427B2 (en) | Time domain inverse scattering techniques for use in microwave imaging | |
US6490471B2 (en) | Electromagnetical imaging and therapeutic (EMIT) systems | |
Nikolova | Microwave imaging for breast cancer | |
US6041248A (en) | Method and apparatus for frequency encoded ultrasound-modulated optical tomography of dense turbid media | |
US7647089B2 (en) | Surface identification using microwave signals for microwave-based detection of cancer | |
US6795195B1 (en) | System and method for tomographic imaging of dynamic properties of a scattering medium | |
CN107713990A (zh) | 一种热声、光声、超声三模态乳腺肿瘤检测装置及方法 | |
Hidayat et al. | Design of 0.312 THz microstrip linear array antenna for breast cancer imaging application | |
USRE41949E1 (en) | System and method for tomographic imaging of dynamic properties of a scattering medium | |
US20090268196A1 (en) | Microwave photonic frequency domain reflectometer | |
Moscato et al. | A mm-Wave 2D ultra-wideband imaging radar for breast cancer detection | |
US8948847B2 (en) | Millimeter wave 3-D breast imaging | |
US9724011B2 (en) | Wideband bio-imaging system and related methods | |
CN112102262A (zh) | 基于深度学习的混沌微波乳腺肿瘤成像分类装置和方法 | |
Jin et al. | Time reversal beamforming for microwave breast cancer detection | |
Hislop et al. | Phase retrieval for millimeter-and submillimeter-wave imaging | |
Jalilvand | Application-specific broadband antennas for microwave medical imaging | |
CN108444914A (zh) | 一种基于射频光子学的光子外差式信息相干成像感测系统 | |
Diaz-Bolado et al. | Towards a planar Microwave Tomography system for early stage breast cancer detection | |
CN116194040A (zh) | 微波成像系统 | |
Sajjadieh et al. | Unsupervised time reversal based microwave imaging for breast cancer detection | |
RU2796513C1 (ru) | Система и способ радиочастотного исследования биообъекта | |
CN117357072B (zh) | 一种基于金刚石量子传感器的乳腺癌检测装置 | |
Tajik et al. | Quasi-real time reconstruction of the complex permittivity of tissue through microwave holography |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201218 |