基于注意力的ResNet模型的乳腺癌肿块的分类方法技术

本发明专利技术涉及一种基于注意力的ResNet模型的乳腺癌肿块的分类方法，包括：获取分类完成的乳腺X射线图像，将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型，将乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练；获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。本发明专利技术通过使用基于注意力机制的卷积神经网络对乳腺癌肿块进行良恶性分类，避免因医生主观判断失误，造成的误诊漏诊的情况，提高诊断效率。

【技术实现步骤摘要】
基于注意力的ResNet模型的乳腺癌肿块的分类方法
本专利技术属于神经网络
，具体涉及一种基于注意力的ResNet模型的乳腺癌肿块的分类方法。
技术介绍
乳腺癌是女性中发病率最高的癌症，严重威胁女性的身心健康。乳腺癌的早期发现，可以增加乳腺癌的治愈率，减小患者的痛苦。在乳腺癌的临床诊断中，乳腺x线摄影技术是常用的乳腺癌检查方法，其成本低廉对患者造成的伤害小。主要用于乳腺癌筛查和诊断。一般地，乳腺x线图像的诊断主要靠影像科医生，尽管有经验的医生，在诊断时也容易会受到主观影响，产生误诊和漏诊的情况。所以，放射科医生需要计算机辅助诊断系统来提高诊断效率。近年来，人工智能技术不断发展，在图像方面的应用十分广泛。在图像方面，卷积神经网络的应用有很好的效果，因此，我们将卷积神经网络应用到医学图像领域中。注意力机制已经被证明可以关注到更多的有用信息而忽略无用的信息，可以有效提高卷积神经网络的分类性能。本文中我们使用基于注意力机制的卷积神经网络对乳腺癌肿块进行良恶性分类。
技术实现思路
为解决上述技术问题，本专利技术设计一种基于注意力的ResNet模型的乳腺癌肿块的分类方法。为实现上述目的，其技术方案如下：一种基于注意力的ResNet模型的乳腺癌肿块的分类方法，包括：获取分类完成的乳腺X射线图像，并对图像进行预处理，将预处理完成的乳腺X射线图像分为训练集和测试集；将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型，将作为训练集的乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练，并通过作为测试集的乳腺X射线图像验证训练好的基于注意力的ResNet网络模型的准确性；获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。其中，对分类完成的乳腺X射线图像进行预处理的步骤中，包括步骤：对分类完成的乳腺X射线图像进行数字噪声的消除、伪影消除以及图像归一化。其中，在对分类完成的乳腺X射线图像进行预处理的步骤之后，还包括对处理好的乳腺X射线图像进行数据增强的步骤，具体包括：旋转、翻转、缩放、平移和随机裁剪。其中，在将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型的步骤中，是将注意力模块插入到ResNet网络模型中；其中，所述注意力模块采用的是CBAM注意力模型。其中，CBAM注意力模型包括通道注意力模块和空间注意力模块；其中，通道注意力模块为了压缩输入特征图的空间维数，同时使用平均池化和最大池化来聚合特征的空间信息，生成两个不同的空间上下文特征描述和将两个描述符送入到一个由多层感知机和一个隐藏层组成的共享网络中，通过对应元素求和合并特征向量，生成通道注意力图；计算过程表示为：其中σ表示Sigmoid激活函数；空间注意模块使用平均池化和最大池化对输入通道的特征图进行压缩，经过压缩后得到两个不同的特征和将它们通过p操作连接起来，利用7×7的卷积层对拼接后的特征图进行卷积，生成空间注意图Ms(F)∈RH×W；计算过程表示为：其中σ表示Sigmoid激活函数，f7×7表示卷积核为7×7的卷积操作。其中，将预处理后的图像样本按比例随机分为十个子集，使每个子集中图片样本的数量相等，每次实验选取9个经过数据增强后的子集作为训练集，剩余的一个子集作为测试集；轮流进行十次实验，取十次实验的平均值，得到的基于注意力的ResNet模型作为最优的网络模型。区别于现有技术，本专利技术的基于注意力的ResNet模型的乳腺癌肿块的分类方法，包括：获取分类完成的乳腺X射线图像，将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型，将乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练；获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。本专利技术通过使用基于注意力机制的卷积神经网络对乳腺癌肿块进行良恶性分类，避免因医生主观判断失误，造成的误诊漏诊的情况，提高诊断效率。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术提供的一种基于注意力的ResNet模型的乳腺癌肿块的分类方法的流程示意图。图2是本专利技术提供的一种基于注意力的ResNet模型的乳腺癌肿块的分类方法中注意力模块的结构示意图。图3是本专利技术提供的一种基于注意力的ResNet模型的乳腺癌肿块的分类方法中通道注意力模块结构示意图。图4是本专利技术提供的一种基于注意力的ResNet模型的乳腺癌肿块的分类方法中空间注意力模块结构示意图。图5是本专利技术提供的一种基于注意力的ResNet模型的乳腺癌肿块的分类方法中注意力模块插入残差块的结构示意图。具体实施方式下面结合附图和具体实施示例对本专利技术做进一步的详细描述。如图1所示，本专利技术提供了一种基于注意力的ResNet模型的乳腺癌肿块的分类方法，包括：获取分类完成的乳腺X射线图像，并对图像进行预处理，将预处理完成的乳腺X射线图像分为训练集和测试集；将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型，将作为训练集的乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练，并通过作为测试集的乳腺X射线图像验证训练好的基于注意力的ResNet网络模型的准确性；获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。其中，对分类完成的乳腺X射线图像进行预处理的步骤中，包括步骤：对分类完成的乳腺X射线图像进行数字噪声的消除、伪影消除以及图像归一化。通常乳腺x射线图像中包含一些与诊断无关的特征，这些特征会严重限制网络的特征提取性能。因此在预处理中主要包含数字噪声的消除、伪影消除以及图像归一化。最后通过零均值归一化操作，使不同来源的图像统一为量纲。其中，在对分类完成的乳腺X射线图像进行预处理的步骤之后，还包括对处理好的乳腺X射线图像进行数据增强的步骤，具体包括：旋转、翻转、缩放、平移和随机裁剪。乳腺x射线图像的原始图像尺寸较大，不利于神经网络的特征提取工作。为了更好的提取乳腺肿块的特征，本专利技术将乳腺x射线图像中包含肿块的感兴趣区域裁剪出来，使用较小的图像来训练卷积神经网络。深度学习往往需要大量的数据去训练一个网络模型，但是医学图像数据集往往较本文档来自技高网...

【技术保护点】
1.一种基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，包括：/n获取分类完成的乳腺X射线图像，并对图像进行预处理，将预处理完成的乳腺X射线图像分为训练集和测试集；/n将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型，将作为训练集的乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练，并通过作为测试集的乳腺X射线图像验证训练好的基于注意力的ResNet网络模型的准确性；/n获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。/n

【技术特征摘要】
1.一种基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，包括：
获取分类完成的乳腺X射线图像，并对图像进行预处理，将预处理完成的乳腺X射线图像分为训练集和测试集；
将注意力模块与ResNet网络模型结合，得到基于注意力的ResNet网络模型，将作为训练集的乳腺X射线图像输入基于注意力的ResNet网络模型进行训练，同时对基于注意力的ResNet网络模型的参数进行调整，完成对基于注意力的ResNet网络模型的训练，并通过作为测试集的乳腺X射线图像验证训练好的基于注意力的ResNet网络模型的准确性；
获取实时拍摄的乳腺X射线图像，输入至训练好的基于注意力的ResNet网络模型中，输出结果完成对实时拍摄的乳腺X射线图像中乳腺癌肿块的分类。


2.根据权利要求1所述的基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，对分类完成的乳腺X射线图像进行预处理的步骤中，包括步骤：对分类完成的乳腺X射线图像进行数字噪声的消除、伪影消除以及图像归一化。


3.根据权利要求2所述的基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，在对分类完成的乳腺X射线图像进行预处理的步骤之后，还包括对处理好的乳腺X射线图像进行数据增强的步骤，具体包括：旋转、翻转、缩放、平移和随机裁剪。


4.根据权利要求1所述的基于注意力的ResNet模型的乳腺癌肿块的分类方法，其特征在于，在将注意力模块与ResNet网络模型结合，得到基...

【专利技术属性】
技术研发人员：李化，牛婧，袁晓辉，李强，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14