CN116797838A - 一种乳腺癌图像深度学习识别模型训练方法及系统 - Google Patents
一种乳腺癌图像深度学习识别模型训练方法及系统 Download PDFInfo
- Publication number
- CN116797838A CN116797838A CN202310772916.8A CN202310772916A CN116797838A CN 116797838 A CN116797838 A CN 116797838A CN 202310772916 A CN202310772916 A CN 202310772916A CN 116797838 A CN116797838 A CN 116797838A
- Authority
- CN
- China
- Prior art keywords
- breast cancer
- training
- image
- model
- deep learning
- 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
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 120
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 119
- 238000012549 training Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000003902 lesion Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 3
- 208000030270 breast disease Diseases 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 210000000481 breast Anatomy 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010006223 Breast discharge Diseases 0.000 description 1
- 206010006272 Breast mass Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000069 breast epithelial cell Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及乳腺癌图像处理技术领域，尤其是一种乳腺癌图像深度学习识别模型训练方法及系统，包括获取乳腺癌MRI图像；进行乳腺癌MRI图像的特征提取；通过VGG16网络模型提取的乳腺癌MRI特征图像输入至SVM分类器中进行分类；以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练；选择预训练后的乳腺癌MRI图像作为第二训练数据，对预训练后的VGG16网络模型进行训练，得到用于乳腺癌MRI图像识别的深度学习模型。通过深度学习识别模型训练，对乳腺肿瘤图像的识别、训练，实现了乳腺肿瘤图像的病变识别判断，且摒弃了传统的人工筛查方法的低效率方式，对乳腺疾病的影像诊断及评价具有积极意义。
Description
技术领域
本发明涉及乳腺癌图像处理技术领域，尤其涉及一种乳腺癌图像深度学习识别模型训练方法及系统。
背景技术
乳腺癌是乳腺上皮细胞在多种致癌因子的作用下，发生增殖失控的现象。疾病早期常表现为乳房肿块、乳头溢液、腋窝淋巴结肿大等症状，晚期可因癌细胞发生远处转移，出现多器官病变，直接威胁患者的生命，乳腺MRI检查因其无创、信息量丰富和软组织分辨率高的优势，成为乳腺癌影像诊断及评价的重要检查，临床上，通过对乳腺MRI图像的计算机处理和分析来辅助医师对乳腺病变进行良恶性分类，以达到提高诊断准确率和为制定个体化诊疗方案提供重要参考依据的目的。
其中深度学习技术可以通过构建的深层次网络直接从网络中得到数据的特征,实现了特征的自适应提取,并广泛地应用于医学图像的疾病诊断中。卷积神经网络由输入层、卷积层、池化层、全连接层和输出层构成，并广泛地应用于计算机视觉领域(包括MRI图像)，在卷积层中，会定义一个卷积核，将卷积核认为是一种“感受野”，在卷积运算时，这个“感受野”会按照从左到右、从上到下的顺序在输入图像上进行滑动卷积运算，通过这样的操作，就可以得到输入图像的特征图像。
通过迁移学习方法，在已训练的神经网络模型VGG16中，进行医学图像的特征提取，结合模型的学习大量数据分析乳腺肿瘤的MRI图像信息，对乳腺疾病的影像诊断及评价，尤其是提高诊断准确率和为制定个体化诊疗方案提供重要参考依据具有积极意义。因此，我们提出一种乳腺癌图像深度学习识别模型训练方法及系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种乳腺癌图像深度学习识别模型训练方法及系统。
为达到以上目的，本发明采用的技术方案为：一种乳腺癌图像深度学习识别模型训练方法，包括如下步骤：
S1：获取乳腺癌MRI图像；
S2：进行乳腺癌MRI图像的特征提取，选取第6卷积层、第9卷积层和第12卷积层的特征，进一步的选择第6卷积层、第9卷积层和第12卷积层的各层的下一层进行最大池化后的特征进行分类；
S3：选择SVM分类器，将图像数据集按照7∶3的比例分为训练集和测试集，再分别将第6卷积层、第9卷积层和第12卷积层通过VGG16网络模型提取的乳腺癌MRI特征图像输入至SVM分类器中进行分类，得出每一层的分类准确率；
S4：以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练；
S5：选择预训练后的乳腺癌MRI图像作为第二训练数据，对预训练后的VGG16网络模型进行训练，得到用于乳腺癌MRI图像识别的深度学习模型。
优选的，在S1中，乳腺癌MRI图像首先进行归一化操作，使乳腺癌MRI图像大小统一为224像素×224像素。
优选的，在S4中，最大池化是在每次对数据操作时，将池化覆盖区域的数据取最大值，表示为：
其中，为上一层的特征图，H为数据的行数，w为数据的列数。
优选的，在S5中，其中准确率公式如下：
通过上述的准确率公式得出不同层的分类准确率。
优选的，在S2中，采用Med3D模型训练框架，以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练，得到模型参数。
优选的，采用MONAI模型训练框架，选择预训练后的模型参数作为第二训练数据，对VGG16网络模型进行训练。
优选的，将预训练后的训练数据作为初始模型参数，对预训练后的VGG16网络模型进行训练。
一种乳腺癌图像深度学习识别模型训练系统，包括有获取单元、预处理单元、预训练单元以及训练单元；
所述获取单元，用以乳腺癌MRI图像的采集获取；
所述预处理单元，用以进行乳腺癌MRI图像的的预处理，包括特征提取、特征降维以及利用SVM分类器进行分类；
所述预训练单元，用以获取乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据进行预训练；
所述训练单元，通过VGG16网络模型以预训练后的乳腺癌MRI图像作为第二训练数据进行训练，并得到用于乳腺癌图像识别的深度学习模型。
与现有技术相比，本发明具有以下有益效果：
通过深度学习识别模型训练，对乳腺肿瘤图像的识别、训练，实现了乳腺肿瘤图像的病变识别判断，且摒弃了传统的人工筛查方法的低效率方式，对乳腺癌治疗过程中制定可靠方案具有积极意义。
附图说明
图1为本发明的流程示意图；
图2为本发明的模型训练方法的流程框图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
实施例1
如附图1-2所示的一种乳腺癌图像深度学习识别模型训练方法，包括如下步骤：
S1：获取乳腺癌MRI图像；
S2：进行乳腺癌MRI图像的特征提取，选取第6卷积层、第9卷积层和第12卷积层的特征，进一步的选择第6卷积层、第9卷积层和第12卷积层的各层的下一层进行最大池化后的特征进行分类；
S3：选择SVM分类器，将图像数据集按照7∶3的比例分为训练集和测试集，再分别将第6卷积层、第9卷积层和第12卷积层通过VGG16网络模型提取的乳腺癌MRI特征图像输入至SVM分类器中进行分类，得出每一层的分类准确率；
S4：以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练；
S5：选择预训练后的乳腺癌MRI图像作为第二训练数据，对预训练后的VGG16网络模型进行训练，得到用于乳腺癌MRI图像识别的深度学习模型。
一种乳腺癌图像深度学习识别模型训练系统，包括有获取单元、预处理单元、预训练单元以及训练单元；
所述获取单元，用以乳腺癌MRI图像的采集获取；
所述预处理单元，用以进行乳腺癌MRI图像的的预处理，包括特征提取、特征降维以及利用SVM分类器进行分类；
所述预训练单元，用以获取乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据进行预训练；
所述训练单元，通过VGG16网络模型以预训练后的乳腺癌MRI图像作为第二训练数据进行训练，并得到用于乳腺癌图像识别的深度学习模型。
工作时，乳腺癌MRI图像首先进行归一化操作，使乳腺癌MRI图像大小统一为224像素×224像素，进行乳腺癌MRI图像的特征提取，选取第6卷积层、第9卷积层和第12卷积层的特征，进一步的选择第6卷积层、第9卷积层和第12卷积层的各层的下一层进行最大池化后的特征进行分类；选择SVM分类器，将图像数据集按照7∶3的比例分为训练集和测试集，再分别将第6卷积层、第9卷积层和第12卷积层通过VGG16网络模型提取的乳腺癌MRI特征图像输入至SVM分类器中进行分类，得出每一层的分类准确率， 的计算公式，可得出不同层的分类准确率；随即以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练；选择预训练后的乳腺癌MRI图像作为第二训练数据，对预训练后的VGG16网络模型进行训练，得到用于乳腺癌MRI图像识别的深度学习模型，其中，采用Med3D模型训练框架，以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练，得到模型参数；采用MONAI模型训练框架，选择预训练后的模型参数作为第二训练数据，对VGG16网络模型进行训练，将预训练后的训练数据作为初始模型参数，对预训练后的VGG16网络模型进行训练，最终得到深度学习识别模型。
在S1中，乳腺癌MRI图像首先进行归一化操作，使乳腺癌MRI图像大小统一为224像素×224像素，在S4中，最大池化是在每次对数据操作时，将池化覆盖区域的数据取最大值，表示为：
其中，为上一层的特征图，H为数据的行数，w为数据的列数。
在S5中，其中准确率公式如下：
通过上述的准确率公式得出不同层的分类准确率。
在S2中，采用Med3D模型训练框架，以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练，得到模型参数。
采用MONAI模型训练框架，选择预训练后的模型参数作为第二训练数据，对VGG16网络模型进行训练，将预训练后的训练数据作为初始模型参数，对预训练后的VGG16网络模型进行训练。
实施例2
通过上述的实施例1，结合实验进行结果验证，首先于MRI图像数据库内获取相关乳腺肿瘤图像，并通过归一化设置为224*224像素的大小，同时配置VGG16网络参数，硬件采用第八代i7处理器、32GB内存，GeForce1080Ti显卡以及TensorFlow1.4深度学习开源模型；
本发明的使用流程及工作原理：
参照说明书附图1-2所示，在进行乳腺癌图像的识别模型训练时，首先，获取乳腺癌MRI图像；进行乳腺癌MRI图像的特征提取，选取第6卷积层、第9卷积层和第12卷积层的特征，进一步的选择第6卷积层、第9卷积层和第12卷积层的各层的下一层进行最大池化后的特征进行分类；选择SVM分类器，将图像数据集按照7∶3的比例分为训练集和测试集，再分别将第6卷积层、第9卷积层和第12卷积层通过VGG16网络模型提取的乳腺癌MRI特征图像输入至SVM分类器中进行分类，得出每一层的分类准确率， 的计算公式，可得出不同层的分类准确率；
随即以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练；选择预训练后的乳腺癌MRI图像作为第二训练数据，对预训练后的VGG16网络模型进行训练，得到用于乳腺癌MRI图像识别的深度学习模型，其中，采用Med3D模型训练框架，以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练，得到模型参数；
采用MONAI模型训练框架，选择预训练后的模型参数作为第二训练数据，对VGG16网络模型进行训练，将预训练后的训练数据作为初始模型参数，对预训练后的VGG16网络模型进行训练，最终得到深度学习识别模型，此种模型训练方法能够有效的进行乳腺肿瘤图像的识别、训练，且能够结合乳腺肿瘤图像的病变进行识别判断，有利于在获取病人乳腺癌MRI图像后的进行后续诊断或制定较佳的治疗方案，进一步的有利于乳腺癌的治疗；
综上：通过深度学习识别模型训练，对乳腺肿瘤图像的识别、训练，实现了乳腺肿瘤图像的病变识别判断，且摒弃了传统的人工筛查方法的低效率方式，对乳腺癌治疗过程中制定可靠方案具有积极意义。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种乳腺癌图像深度学习识别模型训练方法，其特征在于：包括如下步骤：
S1：获取乳腺癌MRI图像；
S2：进行乳腺癌MRI图像的特征提取，选取第6卷积层、第9卷积层和第12卷积层的特征，进一步的选择第6卷积层、第9卷积层和第12卷积层的各层的下一层进行最大池化后的特征进行分类；
S3：选择SVM分类器，将图像数据集按照7∶3的比例分为训练集和测试集，再分别将第6卷积层、第9卷积层和第12卷积层通过VGG16网络模型提取的乳腺癌MRI特征图像输入至SVM分类器中进行分类，得出每一层的分类准确率；
S4：以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练；
S5：选择预训练后的乳腺癌MRI图像作为第二训练数据，对预训练后的VGG16网络模型进行训练，得到用于乳腺癌MRI图像识别的深度学习模型。
2.根据权利要求1所述的一种乳腺癌图像深度学习识别模型训练方法，其特征在于，在S1中，乳腺癌MRI图像首先进行归一化操作，使乳腺癌MRI图像大小统一为224像素×224像素。
3.根据权利要求1所述的一种乳腺癌图像深度学习识别模型训练方法，其特征在于，在S4中，最大池化是在每次对数据操作时，将池化覆盖区域的数据取最大值，表示为：
其中，为上一层的特征图，H为数据的行数，w为数据的列数。
4.根据权利要求1所述的一种乳腺癌图像深度学习识别模型训练方法，其特征在于，在S5中，其中准确率公式如下：
通过上述的准确率公式得出不同层的分类准确率。
5.根据权利要求1所述的一种乳腺癌图像深度学习识别模型训练方法，其特征在于，在S2中，采用Med3D模型训练框架，以乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据，并选择已训练的VGG16网络模型进行乳腺癌MRI图像进行预训练，得到模型参数。
6.根据权利要求5所述的一种乳腺癌图像深度学习识别模型训练方法，其特征在于，采用MONAI模型训练框架，选择预训练后的模型参数作为第二训练数据，对VGG16网络模型进行训练。
7.根据权利要求6所述的一种乳腺癌图像深度学习识别模型训练方法，其特征在于，将预训练后的训练数据作为初始模型参数，对预训练后的VGG16网络模型进行训练。
8.一种乳腺癌图像深度学习识别模型训练系统，其特征在于，包括有获取单元、预处理单元、预训练单元以及训练单元；
所述获取单元，用以乳腺癌MRI图像的采集获取；
所述预处理单元，用以进行乳腺癌MRI图像的的预处理，包括特征提取、特征降维以及利用SVM分类器进行分类；
所述预训练单元，用以获取乳腺癌MRI图像数据库中的乳腺癌图像作为第一训练数据进行预训练；
所述训练单元，通过VGG16网络模型以预训练后的乳腺癌MRI图像作为第二训练数据进行训练，并得到用于乳腺癌图像识别的深度学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310772916.8A CN116797838A (zh) | 2023-06-28 | 2023-06-28 | 一种乳腺癌图像深度学习识别模型训练方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310772916.8A CN116797838A (zh) | 2023-06-28 | 2023-06-28 | 一种乳腺癌图像深度学习识别模型训练方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116797838A true CN116797838A (zh) | 2023-09-22 |
Family
ID=88043436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310772916.8A Pending CN116797838A (zh) | 2023-06-28 | 2023-06-28 | 一种乳腺癌图像深度学习识别模型训练方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797838A (zh) |
-
2023
- 2023-06-28 CN CN202310772916.8A patent/CN116797838A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670510A (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 | |
| CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
| CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
| CN107220966A (zh) | 一种基于影像组学的脑胶质瘤分级预测方法 | |
| CN106372390A (zh) | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 | |
| CN112396621B (zh) | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 | |
| CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
| CN114565613B (zh) | 基于有监督深度子空间学习的胰腺术后糖尿病预测系统 | |
| CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
| CN106651874B (zh) | 基于多模态mri数据的脑瘤术后空间域分割方法 | |
| CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
| CN110728239A (zh) | 一种利用深度学习的胃癌增强ct图像自动识别系统 | |
| CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
| CN112614093A (zh) | 基于多尺度空间注意力网络的乳腺病理图像分类方法 | |
| CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
| Kumar et al. | A Novel Approach for Breast Cancer Detection by Mammograms | |
| Kate et al. | GAN, CNN and ELM Based Breast Cancer Detection | |
| CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
| CN107463964A (zh) | 一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 | |
| CN116797828A (zh) | 一种口腔全景片处理方法、装置及可读储介质 | |
| CN110738649A (zh) | 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 | |
| CN116504399A (zh) | 一种基于纵向DCE-MRI的乳腺癌新辅助化疗pCR预测方法 | |
| CN116797838A (zh) | 一种乳腺癌图像深度学习识别模型训练方法及系统 | |
| CN110136112A (zh) | 一种基于乳腺x线摄影钙化计算机辅助检测算法 | |
| CN113689950B (zh) | 肝癌ihc染色图的血管分布模式的识别方法、系统和存储介质 |
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 |