技術(shù)特征：

1.一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，其特征在于，包括以下步驟：

步驟S1：給定一個(gè)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(dòng)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(gè)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(gè)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(gè)數(shù)；

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

步驟S5：訓(xùn)練完第一個(gè)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(gè)降噪自編碼器的輸入，訓(xùn)練第二個(gè)降噪自編碼器DAE2；

步驟S6：將完成訓(xùn)練的兩個(gè)降噪自編碼器DAE1和DAE2堆疊得到三層的SDAE結(jié)構(gòu)，對(duì)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(duì)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

2.根據(jù)權(quán)利要求1所述的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，其特征在于：

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

3.根據(jù)權(quán)利要求1所述的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，其特征在于：

所述步驟S4中，第一個(gè)降噪自編碼器由三層網(wǎng)絡(luò)構(gòu)成，對(duì)應(yīng)輸入層x、隱層y、輸出層z的神經(jīng)元個(gè)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(gè)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(duì)訓(xùn)練樣本集進(jìn)行分割，具體步驟為：將超聲圖像的訓(xùn)練樣本集隨機(jī)分割為num個(gè)batch，每個(gè)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；

$W_1=\left(rand\right(d,d_{h1})-0.5)\×\sqrt{\frac{6}{d+d_{h1}}};$

$W_2=\left(rand\right(d_{h1},d)-0.5)\×\sqrt{\frac{6}{d_{h1}+d}};$

b₁＝0,b₂＝0；

其中，leanningrate表示學(xué)習(xí)率，rand(m,n)函數(shù)為隨機(jī)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＝1to NN；

內(nèi)重循環(huán)s＝1to num；

步驟441：腐蝕數(shù)據(jù)：通過二進(jìn)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(jī)地重設(shè)為0；具體為：

batch_s＝batch_s×(rand(batch_size,d)＞threashold)，一個(gè)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(jī)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(duì)應(yīng)位置的元素重設(shè)為0；定義batch_s中第i個(gè)樣本為x⁽ⁱ⁾，腐蝕后為

步驟442：前向反饋：

$z^{\left(i\right)}=sigmoid({W_2}^T{y}^{\left(i\right)}+b_2),i=1,2,...,batch\_size;$

步驟443：反向傳輸：

${\mathrm{\δ}}_j^{\left(i\right)h}=\underset{t=1}{\overset{d}{\Σ}}{W}_{2_{jt}}{\mathrm{\δ}}_t^{\left(i\right)o}{y}_j^{\left(i\right)}(1-y_j^{\left(i\right)}),i=1,2,...,batch\_size,1\≤j\≤d_{h1};$

步驟444：更新參數(shù)

$W_2=W_2-\frac{1}{batch\_size}\underset{i=1}{\overset{batch\_size}{\Σ}}{y}^{\left(i\right)}{\mathrm{\δ}}^{\left(i\right)o^T};$

$b_1=b_1-\frac{1}{batch\_size}\underset{i=1}{\overset{batch\_size}{\Σ}}{{\mathrm{\δ}}_j}^{\left(i\right)h^T};$

$b_2=b_2-\frac{1}{batch\_size}\underset{i=1}{\overset{batch\_size}{\Σ}}{{\mathrm{\δ}}_j}^{\left(i\right)o^T};$

其中，分別表示第i個(gè)樣本對(duì)應(yīng)輸出層和隱層第j個(gè)節(jié)點(diǎn)的殘差。

4.一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)，其特征在于，包括以下模塊：

圖像集給定模塊：用于給定一個(gè)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(dòng)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(gè)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(gè)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(gè)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(gè)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(gè)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(gè)降噪自編碼器的輸入，訓(xùn)練第二個(gè)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(gè)降噪自編碼器DAE1和DAE2堆疊得到三層的SDAE結(jié)構(gòu)，對(duì)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(duì)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

5.根據(jù)權(quán)利要求4所述的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)，其特征在于：

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

6.根據(jù)權(quán)利要求4所述的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)，其特征在于：

所述第一編碼器訓(xùn)練模塊中，第一個(gè)降噪自編碼器由三層網(wǎng)絡(luò)構(gòu)成，對(duì)應(yīng)輸入層x、隱層y、輸出層z的神經(jīng)元個(gè)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(gè)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(duì)訓(xùn)練樣本集進(jìn)行分割，具體步驟為：將超聲圖像的訓(xùn)練樣本集隨機(jī)分割為num個(gè)batch，每個(gè)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；

$W_1=\left(rand\right(d,d_{h1})-0.5)\×\sqrt{\frac{6}{d+d_{h1}}};$

$W_2=\left(rand\right(d_{h1},d)-0.5)\×\sqrt{\frac{6}{d_{h1}+d}};$

b₁＝0,b₂＝0；

其中，leanningrate表示學(xué)習(xí)率，rand(m,n)函數(shù)為隨機(jī)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＝1to NN；

用于設(shè)置內(nèi)重循環(huán)s＝1to num；

腐蝕數(shù)據(jù)單元：用于腐蝕數(shù)據(jù)：通過二進(jìn)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(jī)地重設(shè)為0；具體為：

batch_s＝batch_s×(rand(batch_size,d)＞threashold)，一個(gè)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(jī)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(duì)應(yīng)位置的元素重設(shè)為0；定義batch_s中第i個(gè)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：

${\mathrm{\δ}}_j^{\left(i\right)o}=(z_j^{\left(i\right)}-x_j^{\left(i\right)})z_j^{\left(i\right)}(1-z_j^{\left(i\right)}),i=1,2,...,batch\_size,1\≤j\≤d;$

${\mathrm{\δ}}_j^{\left(i\right)h}=\underset{t=1}{\overset{d}{\Σ}}{W}_{2_{jt}}{\mathrm{\δ}}_t^{\left(i\right)o}{y}_j^{\left(i\right)}(1-y_j^{\left(i\right)}),i=1,2,...,batch\_size,1\≤j\≤d_{h1};$

更新參數(shù)單元：用于更新參數(shù)

$W_2=W_2-\frac{1}{batch\_size}\underset{i=1}{\overset{batch\_size}{\Σ}}{y}^{\left(i\right)}{\mathrm{\δ}}^{\left(i\right)o^T};$

$b_1=b_1-\frac{1}{batch\_size}\underset{i=1}{\overset{batch\_size}{\Σ}}{{\mathrm{\δ}}_j}^{\left(i\right)h^T};$

$b_2=b_2-\frac{1}{batch\_size}\underset{i=1}{\overset{batch\_size}{\Σ}}{{\mathrm{\δ}}_j}^{\left(i\right)o^T};$

其中，分別表示第i個(gè)樣本對(duì)應(yīng)輸出層和隱層第j個(gè)節(jié)點(diǎn)的殘差。