CN110674866A 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 （兰州理工大学）

迁移学习特征金字塔网络对X-ray乳腺病灶本发明提出了一种迁移学习特征金字塔网和拓展型残差网络模块模块建立可变形卷积的5，建立后处理网络层来优化预测结果和损失函21.一种迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法，其特征在于其特征步通过特征图上采样和特征融合方法，建立基于特征金字塔结构的多尺度特征提取子网进一步对步骤4的获得的病灶位置信息和分类信息进行筛选优化，获得影像中精确的病灶2.根据权利要求1所述的检测方法，其特征在于：步200～1000个样本作为目标域数据，大规模数据集Data_B包括大于5000个样本作为源域数k表示幅度调制量；3层可在减少参数复杂度的前提下提高网络模型对病灶检测的准确率；以ResNeXt-101网络Conv5的输出特征C5经卷积层fpn-6由最大池化得到P6，卷积层Conv2至Conv5的输出特征k)表示特征图上第k个感兴趣的候选区域，pk表示特征图上第k个感兴趣的候化非极大值抑制算法对初步预测结果进一步迭代，以此获得影像中更好的病灶预测结果；i表示预测评分，Nt表示抑制阈值，IoU(B,bi)表4为引导网络模型的有效学习，结合网络模型5迁移学习特征金字塔网络对X-ray乳腺病[0002]随着医学数字影像技术的迅速发展，医学影像分析已经步入医疗大数据医学图像分析中的病灶检测是辅助诊断与计算机视觉的交叉研究课题之一，传统的CAD技6明区别主要在该发明为：①主要利用经典卷积神经网络CaffeNet模型(该发明中强调可选类子网络函数层使用的是logistic函数而[0016]本发明的目的是提出了迁移学习下特征金字塔网络对钼靶X线影像中乳腺病灶的7[0017]本发明的技术方案是提供了一种迁移学习特征金字塔网络对X-ray乳腺病灶图像大规模数据集Data_B包括大于5000个样本作为源域数据，并将数据格式归一化处理为png8层Conv5的输出特征C5经卷积层fpn-6由最大池化得到P6，卷积层Conv2至Conv5的输出特征9[0052](1)本发明提出了迁移学习下特征金字塔网络对钼靶X线影像中乳腺病灶的图像将其模型迁移至小样本X线乳腺病灶检测任务上，以提高网络模型对小样本病灶的检测精[0054](3)本发明中是在一个主干结构上进行特征空间的特征融合操作，并通过共享卷[0056](5)本发明中没有直接合并p2-p6特征图，而是分别做位置敏感的可变形池化操[0057](6)本发明对模型的损失函数给出了实际建模和改进说明，并且利用可变形卷积[0066]如图1所示，该实施例提供了一种迁移学习下特征金字塔网络对钼靶X线(X-ray)[0074]步骤2.2、建立可变形卷积残差网卷积进行降维；将Conv1到Conv5的部分卷积层：Conv2_Res2c、Conv3_Res3b2、Conv3_层Conv5的输出特征C5经卷积层fpn-6由最大池化得到P6，卷积层Conv2至Conv5的输出特征病灶池化后的高阶特征信息；再经过后处理网络层对病灶池化特征进行分类与位置回归，[0088]在基于上述步骤4.2所得初步预形卷积特征金字塔对钼靶X线乳腺病灶检测网络时，为了抑制难识别的病灶样本对损失大的影响，在SmoothL1损失函数基础上进行改进，建立所提算法中的边界回归损失函数[0100]如图5所示，通过上述步骤1至步骤4所建立的子网络层进行连接构建完整的网络直至网络损失值不再降低；再由迁移学习中模型迁移策略，通过冻结网络模型的卷积层[0102]如图5所示在分支②上，在小样本目标域数据集Data_A上对网络模型再次进行迭[0105]可以直观的看出本发明能够有效的完成对小样本钼靶X线乳腺病灶的检测任务，