买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：兰州交通大学

摘要：本发明公开了一种基于SFC‑MSPCNN和改进ConvNeXt的乳腺影像识别判定方法，涉及影像分析技术领域。本发明基于乳腺影像超声数据库、MIAS数据库和DDSM数据库的对比实验分析模式，根据乳腺肿块及钙化点的特性与良恶性的关系，提出一种基于特殊点火控制模式的脉冲耦合神经网络模型和一种改进的下一代卷积神经网络模型，实现乳腺病灶的良恶性分类，并采用对比实验方法进行分类效果的评估与分析。

主权项：1.一种基于SFC-MSPCNN和改进ConvNeXt的乳腺影像识别判定方法，包括初级特征提取层，高级特征提取层，维度，其特征在于：具体步骤如下：步骤1：预处理乳腺图像暗化①根据FC-MSPCNN算法模型提出一种SFCMSPCNN算法模型，该模型基于内部活动项Uij[n]与动态阈值Eij[n]的数值变化规律，动态调节PCNN点火神经元的数量，控制神经元对应像素的像素值大小，实现预处理乳腺图像的精准暗化，SFCMSPCNN算法模型如下： 8 9 10在公式8−公式10中，位置i,j处的神经元Nij包含两个输入：馈送输入Fij和链接输入Lij，Fij仅由外部激励Sij作用，Lij为链接强度参数β、相邻神经元输出Ykl[n-1]与突触权重Wijkl的乘积和；内部活动项Uij[n]由两项组成，第一项为指数衰减因子e-α调制的前一时刻内部活动项Uij[n-1]，第二项为链接强度β调制的馈送输入Fij和链接输入Lij；如果内部活动项Uij[n]大于动态阈值Eij[n-1]，则神经元脉冲输出Yij[n]=1，同时动态阈值随着幅度参数V、调制参数C、调节参数Q和内置参数A数值的增加不断增加；如果内部活动项Uij[n]小于动态阈值Eij[n-1]，则神经元无脉冲响应输出，动态阈值将会随着衰减因子α指数下降；②确定SFCMSPCNN算法中的关键参数表达式，包括突触权重矩阵Wijkl、链接强度β、衰减因子α、幅度参数V、调制参数C、调节参数Q和内置参数A，其中，突触权重矩阵Wijkl的计算公式如下： 1在公式1中，Wijkl采用一种新的权重矩阵设置方法，控制邻域神经元对中心神经元的影响力，SFCMSPCNN的链接强度参数β可设置为调节能力更强的数学形式，该强度参数β可自适应调节中心神经元与周围神经元的相互作用值，其数学表达式如下所示： 2本模型中衰减因子α采用一种新的模型参数设置方法，该方法确保衰减因子α的取值范围介于0~1之间，其数学表达式如下： 3其中，Smax表示整幅图像的最大像素灰度值；再对动态阈值中的幅度参数V进一步化简，V的表达式如下： 4调制参数C能对幅度参数V进行微调，进一步提升幅度参数V的数值动态调制能力，调制参数C的表达式如下： 5调节参数Q和内置参数A的主要作用是对动态阈值进行修正，通过两个参数的共同作用，精确掌控动态阈值的变化趋势，调节参数Q和内置参数A的表达式如下： 6 7调节参数Q和内置参数A增加了SFCMSPCNN模型数值的变化复杂度；步骤2：初级特征提取初级特征提取在Stem层进行，该层是网络的输入层，由一个通道数为64的3×3卷积层、归一化层、激活函数和卷积注意力模块CBAM组成；CBAM由输入、通道注意力模块、空间注意力模块和输出组成，输入特征为，其中，C表示输入图像的通道数，H表示输入图像的长度，W表示输入图像的高度，之后进行通道注意力模块一维卷积，将卷积结果F'乘以原图后将通道注意力的输出结果作为输入，进行空间注意力模块的二维卷积，得到输出结果F''，再与原图相乘得到精确特征图；注意力的实现过程如下式所示： 11 12步骤3：高级特征提取高级特征提取模块由4个Stage层组成，在不同Stage之间，通过采用单独的下采样层来降低特征图尺寸并提高特征抽象程度；每个Stage均包含一个ConvNeXtBlock模块，ConvNeXt模块具有内在的归纳偏置的能力，独特的逆瓶颈残差结构能够拓宽多层感知机的维度，有助于避免信息流失，完成不同的视觉任务，通过这样的设计，使模型能随着网络深度的增加学习到越来越高层次的特征；每个ConvNeXtBlock模块包括深度可分离卷积模块Depthwise、归一化层Laynormalization、激活函数Gelu、图层标度模块Layerscale、正则化剪枝模块Droppath，在训练过程中首先引入深度可分离卷积模块Depthwise来提升模型的计算速度，之后使用更少的归一化层，用Laynormalization层替换Batchnormalization层来解决样本量过少时归一化统计量偏差过大的问题，接下来选用激活函数GELU，该类激活函数更加平滑，有助于提高训练过程函数的收敛速度，最后设计图层标度模块Layerscale和正则化剪枝模块Droppath减少模型的大小和计算量，从而实现模型压缩和加速；步骤4：乳腺病灶分类网络的末端是一个分类模块，包含全局平均池化、全连接层和激活函数三个部分，用于生成最终的分类结果；全局平均池化将特征图在空间维度上进行平均，得到一个固定长度的特征向量，有助于减少模型参数数量，降低过拟合的风险；全连接层将全局平均池化得到的特征向量映射到类别空间，输出各个类别的概率分布；激活函数将全连接层的输出转换为概率分布，以便于解释和比较，生成最终的分类结果。

全文数据：

权利要求：

百度查询： 兰州交通大学 一种基于SFC-MSPCNN和改进ConvNeXt的乳腺影像识别判定方法