CN114004806B 一种乳腺肿瘤检测模型的训练方法及乳腺肿瘤检测方法 （深圳大学）

一种乳腺肿瘤检测模型的训练方法及乳腺本申请公开了一种乳腺肿瘤检测模型的训金字塔模块基于若干第一特征图确定若干第二样本集和负样本集并基于正样本集和负样本集乳腺肿瘤检测模型学习全自动乳腺超声图像的2将第一训练样本集中的训练乳腺图像输入特征模块，通过特征模块将若干第二特征图输入预测模块，通过预测模块确定所述训练其中，所述通过预测模块确定所述训练乳腺图像对应的正样本集和负样本集具体包控制预测模块确定各第二特征图各自对应的候选正样本集，其中，所分别计算各候选正样本集中的各候选正样本与所述训练乳腺图像对应的各病灶区域的第一IoU值，以及各第二特征图中的锚点框与所述训练乳腺图像对应的各病灶区域的第将第二IoU值大于自适应阈值的锚点框作为正样本，将第二IoU值小对于初始样本集中的每个初始训练图像，选取若干病灶区域中的区域最所述区域最短边判断所述初始训练图像是否需要被Mosa像区域并对第三图像区域进行数据增强，并将数据增强的第三图像区域作为训练乳腺图将得到的所有训练乳腺图像构成的集合作为第一训练3对中的每个训练数据对均包括假阳性训练图像以及将所述第二训练样本集的训练数据对输入预设网络模型中的特特征提取模块确定所述训练数据对中的假阳性训练图像对应的第一特征向量以及病灶训将所述第一特征向量以及所述第二特征向量输入预设网络模型中的注意力成对交互将四个注意力特征向量输入预设网络模型中的分类模块，通过所述基于各预测类别对所述预设网络模型进行训练，在预设网络预设网络模型中的注意力成对交互模块去除以得将所述乳腺肿瘤检测模型与所述分类模型联合，并将联合得到的网络控制所述互向量学习单元基于所述第一特征向量和所述第二特征向量，生成融合向控制所述门向量生成单元基于所述第一特征向控制所述成对交互单元分别基于第一特征向量和第一通过所述乳腺肿瘤检测模型输出所述乳腺超声图像的若干病包括如权利要求1任一所述所述乳腺肿瘤检测模型的训练方法训练得到的分类模型；所述控制所述分类模型基于各病灶图像确定各病症区域的病灶将若干病灶区域中病灶类别为正常区域类别的病灶区域，以得所述存储器上存储有可被所述处理器执行的计算机可4所述处理器执行所述计算机可读程序时实现如权利要求1-5任意一项所述的乳腺肿瘤5已有部分学者开展基于全自动乳腺超声图像的计算机辅助诊断方法(Computer-Aided得现有计算机辅助诊断模型应用于全自动乳腺超声图像时，往往存在检测准确性低的问6基于所述区域最短边判断所述初始训练图像是否需要被Mo[0022]分别计算各候选正样本集中的各候选正样本与所述训练乳腺图像对应的各病灶区域的第一IoU值，以及各第二特征图中的锚点框与所述训练乳腺图像对应的各病灶区域[0023]计算获取到的所有第一IoU值的均值和方差，并根据所述均值和方差确定自适应数据对中的每个训练数据对均包括假阳性训练图像述特征提取模块确定所述训练数据对中的假阳性训练图像对应的第一特征向量以及病灶[0028]将所述第一特征向量以及所述第二特征向量输入预设网络模型中的注意力成对7所述预设网络模型中的注意力成对交互模块去除以得到[0034]控制所述门向量生成单元基于所述第一特征向量和所述融合向量生成第一门向[0045]所述处理器执行所述计算机可读程序时实现如上所述的乳腺肿瘤检测模型的训8[0054]图7为本申请提供的乳腺肿瘤检测模型的训练方法中的预设网络模型的模型结构9得现有计算机辅助诊断模型应用于全自动乳腺超声图像时，往往存在检测准确性低的问样本集和所述负样本集确定损失函数；基于所述损失函数训练待训练的乳腺肿瘤检测模基于所述区域最短边判断所述初始训练图像是否需要被Mo[0076]由于全自动乳腺超声采集得到的乳腺超声图像中的病灶[0080]此外，在获取到Mosaic增强概率后，基于Mosaic增强概率来确定是否需要被[0084]S20、将若干第一特征图输入金字塔模块，通过所述金字塔模块确定若干第二特ε为预设数据用于避免数值[0097]分别计算各候选正样本集中的各候选正样本与所述训练乳腺图像对应的各病灶区域的第一IoU值，以及各第二特征图中的锚点框与所述训练乳腺图像对应的各病灶区域[0098]计算获取到的所有第一IoU值的均值和方差，并根据所述均值和方差确定自适应各大于自适应阈值的第二IoU值的锚点框构成的集合作为正样本集；将各小于或者等于自适应阈值的第二IoU值的锚点框构成的集合作为负样述特征提取模块确定所述训练数据对中的假阳性训练图像对应的第一特征向量以及病灶[0107]将所述第一特征向量以及所述第二特征向量输入预设网络模型中的注意力成对所述预设网络模型中的注意力成对交互模块去除以得到[0117]控制所述门向量生成单元基于所述第一特征向量和所述融合向量生成第一门向[0127]X"=X2+X2091对交互模块去除以得分类模型，并将所述分类模型与所述乳腺检测模型联合得到联合模[0131]基于上述乳腺肿瘤检测模型的训练方法，本实施例提供了一种乳腺肿瘤检测方或者多个处理器执行，以实现如上述实施例所述的乳腺肿瘤检测模型的训练方法中的步硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，以对前述各实施例所记载的技术方案进行修改，或