本發(fā)明涉及特征工程技術(shù)領(lǐng)域，尤其涉及一種基于堆疊降噪自編碼器的乳腺超聲圖像特征自學(xué)習(xí)提取方法及系統(tǒng)。

背景技術(shù)：

乳腺癌是世界各地女性最為常見的一種惡性腫瘤,每年約40萬人死于該病。中國是乳腺癌發(fā)病率增長最快的國家之一，尤其近年來乳腺癌已經(jīng)成為我國女性發(fā)病率排名第一位的惡性腫瘤。早期乳腺癌的治療效果好，能在很大程度上挽救患者的生命，因此提高乳腺癌的早期診斷的精度和準(zhǔn)確性變得越來越有意義。

目前，乳腺癌臨床診斷主要應(yīng)用乳腺超聲、鉬靶等影像檢查，診斷者通過腫塊、鈣化、血流信號等影像特征來對圖像進行分析。乳腺超聲檢查已廣泛應(yīng)用于我國的臨床工作中，其具有操作方便，無放射性、無創(chuàng)傷、對腫塊定位準(zhǔn)確以及經(jīng)濟適用等優(yōu)點。但是超聲檢查仍存在著許多不足，如早期乳腺癌的圖像常不典型難以分辨，特別是由于診斷者視覺感知的差異，視覺疲勞，不同的特征和診斷標(biāo)準(zhǔn)的使用，缺乏圖像特征的定量度量，導(dǎo)致了不同醫(yī)生診斷結(jié)果的不同，使得早期乳腺癌的誤診和漏診仍時常發(fā)生。

隨著醫(yī)學(xué)影像技術(shù)和計算機技術(shù)的不斷發(fā)展，利用計算機進行輔助診斷提高診斷的準(zhǔn)確性成為可能；比如：利用數(shù)字圖像處理技術(shù)，提取乳腺超聲圖像中病理相關(guān)的的特征，運用SVM等機器學(xué)習(xí)方法根據(jù)這些特征對乳腺腫塊良惡性進行分類識別等。

從計算機輔助診斷乳腺癌的應(yīng)用現(xiàn)狀來看，計算機輔助診斷的準(zhǔn)確度很大程度取決于提取到B超圖像病理相關(guān)特征是否有效。目前，用于計算機輔助診斷的醫(yī)學(xué)圖像特征提取基本上采用手工定位病灶感興趣區(qū)域，并通過基本圖像處理的方法提取的一些基礎(chǔ)的常規(guī)特征，如：灰度直方圖特征、形狀特征、灰度共生矩陣特征、小波特征等。但上述方法有以下幾個方面的不足：第一、上述基礎(chǔ)常規(guī)特征的逐一提取耗時費力；第二、上述單個基礎(chǔ)常規(guī)特征本身并非領(lǐng)域相關(guān)，和乳腺癌的特定應(yīng)用關(guān)聯(lián)度不大；第三、設(shè)計有效的可用于計算機輔助診斷乳腺癌的基礎(chǔ)常規(guī)特征組合具有嚴(yán)重的不確定性。存在上述局限性的本質(zhì)原因是特征篩選后的特征仍然是醫(yī)學(xué)圖像的低層特征，與醫(yī)學(xué)圖像整體上的病理語義高層特征間并無直接的映射關(guān)系，因此，最好的解決機制是提供一種可以根據(jù)以往乳腺癌B超圖像自動學(xué)習(xí)出與病理有關(guān)且可用于輔助診斷的圖像特征的方法。

技術(shù)實現(xiàn)要素：

為此，需要提供一種基于堆疊降噪自編碼器的乳腺超聲圖像特征自學(xué)習(xí)提取方案，解決如何根據(jù)以往乳腺癌B超圖像自動學(xué)習(xí)出與病理有關(guān)且可用于輔助診斷的圖像特征的問題。

為實現(xiàn)上述目的，發(fā)明人提供了一種基于堆疊降噪自編碼器的乳腺超聲圖像特征自學(xué)習(xí)提取方法，包括以下步驟：

步驟S1：給定一個中等規(guī)模以上的乳腺超聲病灶區(qū)域圖像集，所述中等規(guī)模表示該圖像集至少含有200幅以上的乳腺超聲診斷圖像；

步驟S2：手動提取步驟S1中圖像集里每一張乳腺超聲診斷圖像的病灶區(qū)域圖像ROI；

步驟S3：從每一張乳腺超聲病灶區(qū)域圖像ROI中提取手工淺層特征作為一個訓(xùn)練樣本，構(gòu)成訓(xùn)練樣本集set_unlabeled＝{x⁽¹⁾,x⁽²⁾,…,x⁽ⁿ⁾}，第i個樣本x⁽ⁱ⁾∈[0,1]^d,i＝1,2,…,n；其中d表示樣本的特征維度，n表示訓(xùn)練集樣本個數(shù)；

步驟S4：基于訓(xùn)練樣本集，訓(xùn)練第一個降噪自編碼器DAE1；

步驟S5：訓(xùn)練完第一個降噪自編碼器后，重新輸入訓(xùn)練樣本集，根據(jù)步驟S4訓(xùn)練好的編碼器提取所有樣本的隱層學(xué)習(xí)得到的特征表示，構(gòu)成新的樣本{y⁽¹⁾,y⁽²⁾,…,y⁽ⁿ⁾}，將其作為第二個降噪自編碼器的輸入，訓(xùn)練第二個降噪自編碼器DAE2；

步驟S6：將完成訓(xùn)練的兩個降噪自編碼器DAE1和DAE2堆疊得到三層的SDAE結(jié)構(gòu)，對應(yīng)第一層為輸入層,維度為d；第二層為DAE1中的隱層，維度為d_h1；第三層為DAE2中對應(yīng)的隱層，維度為d_h2；通過該SDAE結(jié)構(gòu)，給定乳腺鉬靶圖像的手工淺層特征，前向反饋后得到基于堆疊降噪自編碼器的高層抽象的語義特征表示

進一步地，所述步驟S3為：分別提取每個ROI圖像的GLCM、小波、小波包、MPEG-7四種手工淺層特征，級聯(lián)為一個d維的特征向量作為一個樣本。

進一步地，所述步驟S4中，第一個降噪自編碼器由三層網(wǎng)絡(luò)構(gòu)成，對應(yīng)輸入層x、隱層y、輸出層z的神經(jīng)元個數(shù)分別為d、d_h1、d，其中輸入層的輸入為訓(xùn)練樣本集中的某個樣本x⁽ⁱ⁾∈[0,1]^d,i＝1,2,…,n；輸入層人為地引入了噪聲；參數(shù)θ₁＝{W₁,b₁}，θ₂＝{W₂,b₂}，b₁、b₂為分別為隱層和輸出層的偏置向量，大小分別為d_h1和d維，W₁、W₂分別為輸入層到隱層的權(quán)值連接矩陣和隱層到輸出層的權(quán)值連接矩陣，大小分別為d×d_h1、d_h1×d；激活函數(shù)均采用sigmoid函數(shù)；

步驟S4包括以下步驟：

步驟S41：對訓(xùn)練樣本集進行分割，具體步驟為：將超聲圖像的訓(xùn)練樣本集隨機分割為num個batch，每個batch_i∈[0,1]^{batch_size×d},i＝1,2,…,num；

步驟S42：網(wǎng)絡(luò)參數(shù)初始化；具體設(shè)置為：

learningrate＝1；

b₁＝0,b₂＝0；

其中，leanningrate表示學(xué)習(xí)率，rand(m,n)函數(shù)為隨機生成[0,1]的m×n階矩陣；

步驟43：設(shè)置最大循環(huán)次數(shù)NN；

步驟44：外重循環(huán)t＝1 to NN；

內(nèi)重循環(huán)s＝1 to num；

步驟441：腐蝕數(shù)據(jù)：通過二進制掩蔽噪聲方式，以一定概率將輸入特征向量x中某些值隨機地重設(shè)為0；具體為：

batch_s＝batch_s×(rand(batch_size,d)＞threashold)，一個batch_s構(gòu)成batch_size×d階矩陣，threashold為設(shè)定的閾值，具體設(shè)定為0.2；如果隨機生成的矩陣A＝rand(batch_size,d)中的元素A_ij小于threashold，則矩陣batch_s中對應(yīng)位置的元素重設(shè)為0；定義batch_s中第i個樣本為x⁽ⁱ⁾，腐蝕后為

步驟442：前向反饋：

z⁽ⁱ⁾＝sigmoid(W₂^Ty⁽ⁱ⁾+b₂),i＝1,2,…,batch_size；

步驟443：反向傳輸：

步驟444：更新參數(shù)

其中，分別表示第i個樣本對應(yīng)輸出層和隱層第j個節(jié)點的殘差。

本發(fā)明提供一種基于堆疊降噪自編碼器的乳腺超聲圖像特征自學(xué)習(xí)提取系統(tǒng)，包括以下模塊：

圖像集給定模塊：用于給定一個中等規(guī)模以上的乳腺超聲病灶區(qū)域圖像集，所述中等規(guī)模表示該圖像集至少含有200幅以上的乳腺超聲診斷圖像；

病灶區(qū)域提取模塊：用于手動提取步驟S1中圖像集里每一張乳腺超聲診斷圖像的病灶區(qū)域圖像ROI；

樣本訓(xùn)練模塊：用于從每一張乳腺超聲病灶區(qū)域圖像ROI中提取手工淺層特征作為一個訓(xùn)練樣本，構(gòu)成訓(xùn)練樣本集set_unlabeled＝{x⁽¹⁾,x⁽²⁾,…,x⁽ⁿ⁾}，第i個樣本x⁽ⁱ⁾∈[0,1]^d,i＝1,2,…,n；其中d表示樣本的特征維度，n表示訓(xùn)練集樣本個數(shù)；

第一編碼器訓(xùn)練模塊：用于基于訓(xùn)練樣本集，訓(xùn)練第一個降噪自編碼器DAE1；

第二編碼器訓(xùn)練模塊：用于訓(xùn)練完第一個降噪自編碼器后，重新輸入訓(xùn)練樣本集，根據(jù)步驟S4訓(xùn)練好的編碼器提取所有樣本的隱層學(xué)習(xí)得到的特征表示，構(gòu)成新的樣本{y⁽¹⁾,y⁽²⁾,…,y⁽ⁿ⁾}，將其作為第二個降噪自編碼器的輸入，訓(xùn)練第二個降噪自編碼器DAE2；

語義特征生成模塊：用于將完成訓(xùn)練的兩個降噪自編碼器DAE1和DAE2堆疊得到三層的SDAE結(jié)構(gòu)，對應(yīng)第一層為輸入層,維度為d；第二層為DAE1中的隱層，維度為d_h1；第三層為DAE2中對應(yīng)的隱層，維度為d_h2；通過該SDAE結(jié)構(gòu)，給定乳腺鉬靶圖像的手工淺層特征，前向反饋后得到基于堆疊降噪自編碼器的高層抽象的語義特征表示

進一步地，所述樣本訓(xùn)練模塊：還用于分別提取每個ROI圖像的GLCM、小波、小波包、MPEG-7四種手工淺層特征，級聯(lián)為一個d維的特征向量作為一個樣本。

進一步地，所述第一編碼器訓(xùn)練模塊中，第一個降噪自編碼器由三層網(wǎng)絡(luò)構(gòu)成，對應(yīng)輸入層x、隱層y、輸出層z的神經(jīng)元個數(shù)分別為d、d_h1、d，其中輸入層的輸入為訓(xùn)練樣本集中的某個樣本x⁽ⁱ⁾∈[0,1]^d,i＝1,2,…,n；輸入層人為地引入了噪聲；參數(shù)θ₁＝{W₁,b₁}，θ₂＝{W₂,b₂}，b₁、b₂為分別為隱層和輸出層的偏置向量，大小分別為d_h1和d維，W₁、W₂分別為輸入層到隱層的權(quán)值連接矩陣和隱層到輸出層的權(quán)值連接矩陣，大小分別為d×d_h1、d_h1×d；激活函數(shù)均采用sigmoid函數(shù)；

第一編碼器訓(xùn)練模塊包括以下單元：

樣本分割單元：用于對訓(xùn)練樣本集進行分割，具體步驟為：將超聲圖像的訓(xùn)練樣本集隨機分割為num個batch，每個batch_i∈[0,1]^{batch_size×d},i＝1,2,…,num；

網(wǎng)絡(luò)參數(shù)初始化單元：用于網(wǎng)絡(luò)參數(shù)初始化；具體設(shè)置為：

learningrate＝1；

b₁＝0,b₂＝0；

其中，leanningrate表示學(xué)習(xí)率，rand(m,n)函數(shù)為隨機生成[0,1]的m×n階矩陣；

循環(huán)次數(shù)設(shè)置單元：用于設(shè)置最大循環(huán)次數(shù)NN；

內(nèi)外重循環(huán)設(shè)置單元：用于設(shè)置外重循環(huán)t＝1 to NN；

用于設(shè)置內(nèi)重循環(huán)s＝1 to num；

腐蝕數(shù)據(jù)單元：用于腐蝕數(shù)據(jù)：通過二進制掩蔽噪聲方式，以一定概率將輸入特征向量x中某些值隨機地重設(shè)為0；具體為：

batch_s＝batch_s×(rand(batch_size,d)＞threashold)，一個batch_s構(gòu)成batch_size×d階矩陣，threashold為設(shè)定的閾值，具體設(shè)定為0.2；如果隨機生成的矩陣A＝rand(batch_size,d)中的元素A_ij小于threashold，則矩陣batch_s中對應(yīng)位置的元素重設(shè)為0；定義batch_s中第i個樣本為x⁽ⁱ⁾，腐蝕后為

前向反饋單元：用于前向反饋：

z⁽ⁱ⁾＝sigmoid(W₂^Ty⁽ⁱ⁾+b₂),i＝1,2,…,batch_size；

反向傳輸單元：用于反向傳輸：

更新參數(shù)單元：用于更新參數(shù)

其中，分別表示第i個樣本對應(yīng)輸出層和隱層第j個節(jié)點的殘差。

區(qū)別于現(xiàn)有技術(shù)，上述技術(shù)方案基于中等規(guī)模的腺鉬靶病灶區(qū)域圖像，訓(xùn)練得到兩個自編碼器，并根據(jù)兩個自編碼器得到SDAE結(jié)構(gòu)，并最終得到語義特征，實現(xiàn)了乳腺超聲圖像特征的提取，從而為臨床診斷提供有價值的“參考意見”，提高乳腺癌診斷的準(zhǔn)確率和效率。

附圖說明

圖1為本發(fā)明實施例中乳腺超聲圖像特征深度學(xué)習(xí)的單個降噪自編碼器訓(xùn)練過程；

圖2為本發(fā)明實施例中堆疊降噪自編碼器訓(xùn)練過程。

具體實施方式

為詳細(xì)說明技術(shù)方案的技術(shù)內(nèi)容、構(gòu)造特征、所實現(xiàn)目的及效果，以下結(jié)合具體實施例并配合附圖詳予說明。

請參閱圖1到圖2，本實施例本實施例提供了一種基于堆疊降噪自編碼器的乳腺超聲圖像特征自學(xué)習(xí)提取方法，具體如下：

步驟S1：給定一個中等規(guī)模以上的乳腺超聲病灶區(qū)域圖像集，所述中等規(guī)模表示該圖像集至少含有200幅以上的乳腺鉬靶診斷圖像；

步驟S2：手動提取步驟S1中圖像集里每一張乳腺超聲診斷圖像的乳腺鉬靶病灶區(qū)域圖像ROI(Region of interest，感興趣區(qū)域)；其中所述乳腺超聲病灶區(qū)域圖像ROI的大小為150×150；

步驟S3：從每一張乳腺超聲病灶區(qū)域圖像ROI中提取手工淺層特征作為一個訓(xùn)練樣本，構(gòu)成訓(xùn)練樣本集set_unlabeled＝{x⁽¹⁾,x⁽²⁾,…,x⁽ⁿ⁾}，第i個樣本x⁽ⁱ⁾∈[0,1]^d,i＝1,2,…,n。其中d表示樣本的特征維度，n表示訓(xùn)練集樣本個數(shù)。

步驟S4：基于訓(xùn)練樣本集，訓(xùn)練第一個降噪自編碼器DAE1，其中DAE為Denoising Autoencoder，降噪自編碼器。

步驟S5：訓(xùn)練完第一個降噪自編碼器后，重新輸入set_unlabeled樣本即訓(xùn)練樣本集，根據(jù)步驟S4訓(xùn)練好的模型DAE1提取所有樣本的隱層學(xué)習(xí)得到的特征表示，構(gòu)成新的樣本{y⁽¹⁾,y⁽²⁾,…,y⁽ⁿ⁾}，將其作為第二個降噪自編碼器的輸入，訓(xùn)練第二個降噪自編碼器DAE2。

步驟S6：將完成訓(xùn)練的兩個降噪自編碼器(DAE1、DAE2)堆疊得到三層的SDAE(stacked Denoising Autoencoder)結(jié)構(gòu)，如圖2所示。對應(yīng)第一層為輸入層,維度為d；第二層為DAE1中的隱層，維度為d_h1；第三層為DAE2中對應(yīng)的隱層，維度為d_h2。通過該模型，給定乳腺超聲圖像的手工淺層特征，前向反饋后即可以得到基于堆疊降噪自編碼器的高層抽象的語義特征表示這樣得到語義特征，實現(xiàn)了乳腺超聲圖像特征的提取，從而為臨床診斷提供有價值的“參考意見”，提高乳腺癌診斷的準(zhǔn)確率和效率。

進一步地，所述步驟S3為：分別提取每個ROI圖像的GLCM((灰度共生矩陣，Gray-level co-occurrence matrix)、小波、小波包、MPEG-7(Moving Picture Experts Group，動態(tài)圖像專家組)四種手工淺層特征，級聯(lián)為一個d維的特征向量作為一個樣本?？紤]到某些特征屬性實際最大值和最小值是未知的，并且存在離群點的可能性，首先采取z-score的規(guī)范化方法，規(guī)范化公式如下：

其中x表示某一維度特征的觀測值，mean為該維度特征觀測值的均值，std為該維度特征觀測值的標(biāo)準(zhǔn)差，x'為x進行z-score規(guī)范后的結(jié)果?？紤]到訓(xùn)練自編碼過程中神經(jīng)元是以概率形式存在，繼續(xù)進行Min-Max規(guī)范化到[0,1]區(qū)間。規(guī)范化公式如下：

其中x'表示某一維度特征的觀測值，min為該維度特征觀測值的最小值，max為該維度特征觀測值的最大值，x”為x'進行Min-Max規(guī)范后的結(jié)果。

在步驟S3中，其重點在于其中的級聯(lián)，一般來說，GLCM、小波、小波包、MPEG-7這四種淺層特征都只提取了圖像的部分物理特征，不夠全面，為了保證后續(xù)可以從全面的物理特征中學(xué)習(xí)出更好的高層特征，將這四種不同的淺層特征級聯(lián)在一起做為后續(xù)工作的學(xué)習(xí)基礎(chǔ)，以最大程度地包含ROI圖像的物理信息。

進一步地，所述步驟S4為：如圖1所示，整個降噪自編碼器由三層網(wǎng)絡(luò)構(gòu)成，對應(yīng)輸入層x、隱層y、輸出層z的神經(jīng)元個數(shù)分別為d、d_h1、d，其中輸入層的輸入為訓(xùn)練集set_unlabeled中的某個樣本x⁽ⁱ⁾∈[0,1]^d,i＝1,2,…,n。輸入層人為地引入了噪聲。參數(shù)θ₁＝{W₁,b₁}，θ₂＝{W₂,b₂}，b₁、b₂為分別為隱層和輸出層的偏置向量，大小分別為d_h1和d維，W₁、W₂分別為輸入層到隱層的權(quán)值連接矩陣和隱層到輸出層的權(quán)值連接矩陣，大小分別為d×d_h1、d_h1×d。激活函數(shù)均采用sigmoid函數(shù)。

具體包括以下步驟：

步驟S41：對訓(xùn)練樣本集進行分割，具體步驟為：將超聲圖像的訓(xùn)練樣本集set_unlabeled隨機分割為num個batch(塊)，每個batch_i∈[0,1]^{batch_size×d},i＝1,2,…,num；

步驟S42：網(wǎng)絡(luò)參數(shù)初始化；具體設(shè)置為：

learningrate＝1；

b₁＝0,b₂＝0；

其中，leanningrate表示學(xué)習(xí)率，rand(m,n)函數(shù)為隨機生成[0,1]的m×n階矩陣；

步驟43：設(shè)置最大循環(huán)次數(shù)NN；

步驟44：外重循環(huán)t＝1 to NN；

內(nèi)重循環(huán)s＝1 to num；

步驟441：腐蝕數(shù)據(jù)：通過二進制掩蔽噪聲方式，以一定概率將輸入特征向量x中某些值隨機地重設(shè)為0；具體為：

batch_s＝batch_s×(rand(batch_size,d)＞threashold)，一個batch_s構(gòu)成batch_size×d階矩陣，threashold為設(shè)定的閾值，具體設(shè)定為0.2；如果隨機生成的矩陣A＝rand(batch_size,d)中的元素A_ij小于threashold，則矩陣batch_s中對應(yīng)位置的元素重設(shè)為0；定義batch_s中第i個樣本為x⁽ⁱ⁾，腐蝕后為

步驟442：前向反饋：

z⁽ⁱ⁾＝sigmoid(W₂^Ty⁽ⁱ⁾+b₂),i＝1,2,…,batch_size；

步驟443：反向傳輸：

步驟444：更新參數(shù)

其中，分別表示第i個樣本對應(yīng)輸出層和隱層第j個節(jié)點的殘差。本實施例的好處在于，傳統(tǒng)的GLCM、小波、小波包、MPEG-7這些淺層特征其實都只是常規(guī)的圖像物理特征，和超聲圖像做為醫(yī)學(xué)圖像來進行輔助診斷時候需要的病理特征并沒有直接關(guān)聯(lián)，所以用GLCM、小波、小波包、MPEG-7這些淺層特征做為超聲圖像病理上的描述表征具有不可靠性。而通過學(xué)習(xí)器學(xué)習(xí)所得的特征比物理特征更高一層，更加接近圖像的語義特征，與超聲圖像的病理關(guān)聯(lián)度更大，更加適合做為超聲圖像病理上的描述表征。

本發(fā)明提供一種基于堆疊降噪自編碼器的乳腺超聲圖像特征自學(xué)習(xí)提取系統(tǒng)，包括以下模塊：

圖像集給定模塊：用于給定一個中等規(guī)模以上的乳腺超聲病灶區(qū)域圖像集，所述中等規(guī)模表示該圖像集至少含有200幅以上的乳腺超聲診斷圖像；

病灶區(qū)域提取模塊：用于手動提取步驟S1中圖像集里每一張乳腺超聲診斷圖像的病灶區(qū)域圖像ROI；

樣本訓(xùn)練模塊：用于從每一張乳腺超聲病灶區(qū)域圖像ROI中提取手工淺層特征作為一個訓(xùn)練樣本，構(gòu)成訓(xùn)練樣本集set_unlabeled＝{x⁽¹⁾,x⁽²⁾,…,x⁽ⁿ⁾}，第i個樣本x⁽ⁱ⁾∈[0,1]^d,i＝1,2,…,n；其中d表示樣本的特征維度，n表示訓(xùn)練集樣本個數(shù)；

第一編碼器訓(xùn)練模塊：用于基于訓(xùn)練樣本集，訓(xùn)練第一個降噪自編碼器DAE1；

第二編碼器訓(xùn)練模塊：用于訓(xùn)練完第一個降噪自編碼器后，重新輸入訓(xùn)練樣本集，根據(jù)步驟S4訓(xùn)練好的編碼器提取所有樣本的隱層學(xué)習(xí)得到的特征表示，構(gòu)成新的樣本{y⁽¹⁾,y⁽²⁾,…,y⁽ⁿ⁾}，將其作為第二個降噪自編碼器的輸入，訓(xùn)練第二個降噪自編碼器DAE2；

語義特征生成模塊：用于將完成訓(xùn)練的兩個降噪自編碼器DAE1和DAE2堆疊得到三層的SDAE結(jié)構(gòu)，對應(yīng)第一層為輸入層,維度為d；第二層為DAE1中的隱層，維度為d_h1；第三層為DAE2中對應(yīng)的隱層，維度為d_h2；通過該SDAE結(jié)構(gòu)，給定乳腺鉬靶圖像的手工淺層特征，前向反饋后得到基于堆疊降噪自編碼器的高層抽象的語義特征表示這樣得到語義特征，實現(xiàn)了乳腺超聲圖像特征的提取，從而為臨床診斷提供有價值的“參考意見”，提高乳腺癌診斷的準(zhǔn)確率和效率。

進一步地，所述樣本訓(xùn)練模塊：還用于分別提取每個ROI圖像的GLCM、小波、小波包、MPEG-7四種手工淺層特征，級聯(lián)為一個d維的特征向量作為一個樣本。樣本訓(xùn)練模塊重點在于其中的級聯(lián)，一般來說，GLCM、小波、小波包、MPEG-7這四種淺層特征都只提取了圖像的部分物理特征，不夠全面，為了保證后續(xù)可以從全面的物理特征中學(xué)習(xí)出更好的高層特征，將這四種不同的淺層特征級聯(lián)在一起做為后續(xù)工作的學(xué)習(xí)基礎(chǔ)，以最大程度地包含ROI圖像的物理信息。

進一步地，所述第一編碼器訓(xùn)練模塊中，第一個降噪自編碼器由三層網(wǎng)絡(luò)構(gòu)成，對應(yīng)輸入層x、隱層y、輸出層z的神經(jīng)元個數(shù)分別為d、d_h1、d，其中輸入層的輸入為訓(xùn)練樣本集中的某個樣本x⁽ⁱ⁾∈[0,1]^d,i＝1,2,…,n；輸入層人為地引入了噪聲；參數(shù)θ₁＝{W₁,b₁}，θ₂＝{W₂,b₂}，b₁、b₂為分別為隱層和輸出層的偏置向量，大小分別為d_h1和d維，W₁、W₂分別為輸入層到隱層的權(quán)值連接矩陣和隱層到輸出層的權(quán)值連接矩陣，大小分別為d×d_h1、d_h1×d；激活函數(shù)均采用sigmoid函數(shù)；

第一編碼器訓(xùn)練模塊包括以下單元：

樣本分割單元：用于對訓(xùn)練樣本集進行分割，具體步驟為：將超聲圖像的訓(xùn)練樣本集隨機分割為num個batch，每個batch_i∈[0,1]^{batch_size×d},i＝1,2,…,num；

網(wǎng)絡(luò)參數(shù)初始化單元：用于網(wǎng)絡(luò)參數(shù)初始化；具體設(shè)置為：

learningrate＝1；

b₁＝0,b₂＝0；

其中，leanningrate表示學(xué)習(xí)率，rand(m,n)函數(shù)為隨機生成[0,1]的m×n階矩陣；

循環(huán)次數(shù)設(shè)置單元：用于設(shè)置最大循環(huán)次數(shù)NN；

內(nèi)外重循環(huán)設(shè)置單元：用于設(shè)置外重循環(huán)t＝1 to NN；

用于設(shè)置內(nèi)重循環(huán)s＝1 to num；

腐蝕數(shù)據(jù)單元：用于腐蝕數(shù)據(jù)：通過二進制掩蔽噪聲方式，以一定概率將輸入特征向量x中某些值隨機地重設(shè)為0；具體為：

batch_s＝batch_s×(rand(batch_size,d)＞threashold)，一個batch_s構(gòu)成batch_size×d階矩陣，threashold為設(shè)定的閾值，具體設(shè)定為0.2；如果隨機生成的矩陣A＝rand(batch_size,d)中的元素A_ij小于threashold，則矩陣batch_s中對應(yīng)位置的元素重設(shè)為0；定義batch_s中第i個樣本為x⁽ⁱ⁾，腐蝕后為

前向反饋單元：用于前向反饋：

z⁽ⁱ⁾＝sigmoid(W₂^Ty⁽ⁱ⁾+b₂),i＝1,2,…,batch_size；

反向傳輸單元：用于反向傳輸：

更新參數(shù)單元：用于更新參數(shù)

其中，分別表示第i個樣本對應(yīng)輸出層和隱層第j個節(jié)點的殘差。本實施例的好處在于，傳統(tǒng)的GLCM、小波、小波包、MPEG-7這些淺層特征其實都只是常規(guī)的圖像物理特征，和超聲圖像做為醫(yī)學(xué)圖像來進行輔助診斷時候需要的病理特征并沒有直接關(guān)聯(lián)，所以用GLCM、小波、小波包、MPEG-7這些淺層特征做為超聲圖像病理上的描述表征具有不可靠性。而通過學(xué)習(xí)器學(xué)習(xí)所得的特征比物理特征更高一層，更加接近圖像的語義特征，與超聲圖像的病理關(guān)聯(lián)度更大，更加適合做為超聲圖像病理上的描述表征。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者終端設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者終端設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者終端設(shè)備中還存在另外的要素。此外，在本文中，“大于”、“小于”、“超過”等理解為不包括本數(shù)；“以上”、“以下”、“以內(nèi)”等理解為包括本數(shù)。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，上述各實施例可提供為方法、裝置、或計算機程序產(chǎn)品。這些實施例可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。上述各實施例涉及的方法中的全部或部分步驟可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲于計算機設(shè)備可讀取的存儲介質(zhì)中，用于執(zhí)行上述各實施例方法所述的全部或部分步驟。所述計算機設(shè)備，包括但不限于：個人計算機、服務(wù)器、通用計算機、專用計算機、網(wǎng)絡(luò)設(shè)備、嵌入式設(shè)備、可編程設(shè)備、智能移動終端、智能家居設(shè)備、穿戴式智能設(shè)備、車載智能設(shè)備等；所述的存儲介質(zhì)，包括但不限于：RAM、ROM、磁碟、磁帶、光盤、閃存、U盤、移動硬盤、存儲卡、記憶棒、網(wǎng)絡(luò)服務(wù)器存儲、網(wǎng)絡(luò)云存儲等。

上述各實施例是參照根據(jù)實施例所述的方法、設(shè)備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計算機程序指令到計算機設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導(dǎo)計算機設(shè)備以特定方式工作的計算機設(shè)備可讀存儲器中，使得存儲在該計算機設(shè)備可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機設(shè)備上，使得在計算機設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

盡管已經(jīng)對上述各實施例進行了描述，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實施例做出另外的變更和修改，所以以上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利保護范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍之內(nèi)。