本发明涉及计算机技术领域，具体说医学图像领域。
背景技术：
乳腺癌疾病的检测和诊断可以通过成像系统程序，如乳腺x线、磁共振图像、超声图像和热图。癌症筛查的影像学研究已有40多年历史。然而，临床上，基于病理图像的活检无疑是检测乳腺疾病的金标准，也是对病理图像进行准确分类时医生制定最佳治疗方案的重要依据。目前针对乳腺癌病理图像的分类研究主要分为两类：基于人工特征的传统的乳腺病理图像分类方法；基于深度学习的乳腺癌病理图像分类方法。基于人工特征的传统的乳腺癌病理图像分类方法采用人工提取特征，基于这些特征使用支持向量机、随机森林等分类器完成分类。该方法存在高要求的专业知识、提取特征耗费时间和提取高质量特征难等缺点。相对于传统分类方法，基于深度学习的乳腺癌病理图像分类方法，利用网络自主学习相应的特征，克服了需要专业人士手工提取特征的缺点，同时节省了人工提取特征的时间。
技术实现要素：
本发明提出了一种乳腺癌辅助诊断技术。该方法模型(dc-densenet)在卷积神经网络模型densenet基础上将扩张卷积集成到密集块来实现多尺度的特征提取。相比于普通的卷积层，扩张卷积是在标准的卷积核中注入空洞，这不仅可以增加模型的感受野，还能保留可训练参数的数量。注入的空洞的大小取决于扩张率γ。如图1所示，图(a)是标准的卷积核，此时的扩张率γ＝1；图(b)对应的是扩张率γ＝2的卷积，可以理解为卷积核尺寸为7×7但是只有9个点有参数，其余的位置参数都为0，和输入特征图对应位置的像素进行卷积计算时其余的位置都略过；图(c)和图(b)类似，扩张率γ＝3相当于变成了15×15的卷积核。当卷积核尺寸变大时，感受野也就自然变大，此时可以从上一层的特征图中提取更多的信息。
dc-densenet主要是在先进的densenet模型基础上改进了两个方面：1)用ddc模块代替了densenet原先的标准卷积层。2)建立了一个更宽而不深的网络。denseblock如图2所示。densenet网络在第l层的输出为：xl＝hl([x0，x1，...，xl-1])。其中hl(·)是由一个组合操作而成的非线性函数，这个组合操作可能包括一系列的bn(batchnormalization)，relu，池化即卷积操作。如果每个hl(·)均输出k个特征图，即得到的特征图的通道数为k，假定输入层的通道数为k0，那么第l层的输入的通道数为k0 k×(l-1)。其中k为densenet的增长率。
dc-densenet模型结构图如图3所示。蓝色、红色、橙色和绿色矩形分别代表卷积层、最大池化层、平均池化层和全连接层。为了更好地提取特征，该深度学习网络模型对于浅层和深层具有不同的体系结构，即扩张密集块(ddc)和层中层模块(nin)。如图4所示，ddc模块中有两个扩张率为2和3的扩张卷积层，每个扩张卷积层之后都放置一个标准的3×3的卷积来融合提取的特征并细化语义信息。所述的ddc模块将增长率k增加到8、16和32，并将层数从121层减少到28层。因此密集块网络就实现了宽而不深的初衷。为了降低计算复杂度和提高特征提取能力，如图3所示，将增长率k设置为随ddc网络的深入而增加。使用relu用作非线性激活函数。用softmax损失函数l来优化网络。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的描述。
图1是扩张卷积示例图；
图2是densenet中的denseblock模块图
图3是该模型网络结构图；
图4是ddc模块图；
具体实施方式
乳腺癌辅助诊断技术实施步骤如下：
(1)将乳腺癌书数据集随机按照8∶2的比例打散成训练集和验证集，用额外的20张生物成像数据集当作测试集来判断模型性能；
(2)对数据集使用数据增强来实现增加数据，将整个图像平移50％；
(3)对需要被诊断的乳腺癌病理图像裁剪为512×512大小的缀块；
(4)对数据集进行选择和镜像操作，每个缀块旋转90°、180°和270°；
(5)将处理好的缀块放入图3网络模型进行训练；
(6)将测试集放入训练好的网络中，通过softmax函数结果来判别分类结果。
1.一种乳腺癌辅助诊断技术，其特征在于：所述乳腺癌辅助诊断技术在卷积神经网络模型densenet基础上将扩张卷积集成到密集块来实现多尺度的特征提取，乳腺癌辅助诊断技术实施步骤如下：
(1)将乳腺癌书数据集打散成训练集和验证集，用额外的20张生物成像数据集当作测试集来判断模型性能；
(2)对数据集使用数据增强来实现增加数据，将整个图像平移20％～50％；
(3)对需要被诊断的乳腺癌病理图像裁剪为512×512大小的缀块；
(4)对数据集进行选择和镜像操作，每个缀块旋转90°、180°和270°；
(5)将处理好的缀块放入网络模型进行训练；
(6)将测试集放入训练好的网络中，通过softmax函数结果来判别分类结果。
2.根据权利要求1所述的一种乳腺癌辅助诊断技术，其特征在于：注入的空洞的大小取决于扩张率γ，扩张率γ＝1是标准的卷积核；扩张率γ＝2可以理解为卷积核尺寸为7×7但是只有9个点有参数，其余的位置参数都为0，和输入特征图对应位置的像素进行卷积计算时其余的位置都略过；扩张率γ＝3相当于变成了15×15的卷积核，当卷积核尺寸变大时，感受野也就自然变大，此时可以从上一层的特征图中提取更多的信息。
3.根据权利要求2所述的一种乳腺癌辅助诊断技术，其特征在于：dc-densenet主要是在先进的densenet模型基础上改进了两个方面：1)用ddc模块代替了densenet原先的标准卷积层，2)建立了一个更宽而不深的网络，denseblock如图2所示，densenet网络在第l层的输出为：xl＝hl([x0，x1，...，xl-1])，其中hl(·)是由一个组合操作而成的非线性函数，这个组合操作可能包括一系列的bn(batchnormalization)，relu，池化即卷积操作，如果每个hl(·)均输出k个特征图，即得到的特征图的通道数为k，假定输入层的通道数为k0，那么第l层的输入的通道数为k0 k×(l-1)，其中k为densenet的增长率。
4.根据权利要求3所述的一种乳腺癌辅助诊断技术，其特征在于：dc-densenet模型结构图主要由卷积层、最大池化层、平均池化层和全连接层组成，为了更好地提取特征，该深度学习网络模型对于浅层和深层具有不同的体系结构，即扩张密集块(ddc)和层中层模块(nin)，ddc模块中有两个扩张率为2和3的扩张卷积层，每个扩张卷积层之后都放置一个标准的3×3的卷积来融合提取的特征并细化语义信息。
5.根据权利要求4所述的一种乳腺癌辅助诊断技术，其特征在于：所述的ddc模块将增长率k增加到8、16和32，并将层数从121层减少到28层，因此密集块网络就实现了宽而不深的初衷，为了降低计算复杂度和提高特征提取能力，如图3所示，将增长率k设置为随ddc网络的深入而增加，使用relu用作非线性激活函数，用softmax损失函数l来优化网络。
技术总结