1.一种基于RepCSC-Net的乳腺肿瘤良恶性识别方法,其特征在于,包括以下步骤:步骤S1,获取乳腺钼靶影像数据集,对所述乳腺钼靶影像数据集进行图像增强处理,并分为训练集、验证集和测试集;
步骤S2,构建具有结构重参数化策略的RepCSC模块,将所述RepCSC模块与卷积神经网络RepVGG结合,获得RepCSC-Net模型;
步骤S3,利用所述训练集,对所述RepCSC-Net模型进行训练处理,获得训练后的RepCSC-Net模型;
步骤S4,利用所述验证集,对训练后的RepCSC-Net模型进行验证处理,获得验证后的RepCSC-Net模型;
步骤S5,将所述测试集输入到验证后的RepCSC-Net模型,输出乳腺肿瘤的识别结果;
所述步骤S2的内容包括:
构建结构重参数化策略的RepCSC模块,确定RepCSC模块的优化目标;利用迭代软阈值算法,求解所述优化目标,使得训练时的RepCSC模块为一个三通路的结构;在训练时,通过合并字典将RepCSC模块的三通路的结构变成单通路的结构,获得新的字典;利用设计好的RepCSC模块替换卷积神经网络RepVGG的第一层,获得RepCSC-Net模型;
其中,RepCSC模块包括结构重参数和卷积稀疏编码,RepCSC模块为具有结构重参数化策略的卷积稀疏编码模块;
所述RepCSC模块的输入信息的表示形式为:
其中,x∈R
优化目标的表示形式为:
其中,D=(d
2.根据权利要求1所述的一种基于RepCSC-Net的乳腺肿瘤良恶性识别方法,其特征在于,利用迭代软阈值算法,求解所述优化目标,迭代公式为:其中,Γ
通过Γ
令
3.根据权利要求1所述的一种基于RepCSC-Net的乳腺肿瘤良恶性识别方法,其特征在于,所述新的字典的表示形式为:其中,D
4.根据权利要求1所述的一种基于RepCSC-Net的乳腺肿瘤良恶性识别方法,其特征在于,所述步骤S1的内容包括:导入乳腺钼靶影像数据集,进而读取乳腺钼靶影像数据集;
对乳腺钼靶影像数据集中每个图像的图像尺寸进行调整,并利用Lucy-Richardson算法对乳腺钼靶影像数据集进行图像增强处理;
按照用户指定的图像数量比例,将图像增强处理后的乳腺钼靶影像数据集分为训练集、验证集和测试集,并保存为对应的XML标记文件。
5.根据权利要求1所述的一种基于RepCSC-Net的乳腺肿瘤良恶性识别方法,其特征在于,所述步骤S3的内容包括:设置所述训练集所需的迭代轮数,并从训练集中获取预设数目张乳腺钼靶影像;
采用Softmax分类器,接收全连接层输出的特征,输出输入目标对应的标签的概率值映射后的分类预测结果,并计算每轮迭代的网络模型的损失函数值,直至得到的最小损失函数值,获得训练后的RepCSC-Net模型。
6.根据权利要求5所述的一种基于RepCSC-Net的乳腺肿瘤良恶性识别方法,其特征在于,得到所述训练后的RepCSC-Net模型后,将全连接层的最后一层作为RepCSC-Net模型的最终提取特征。
7.根据权利要求1所述的一种基于RepCSC-Net的乳腺肿瘤良恶性识别方法,其特征在于,所述乳腺肿瘤的识别结果包括肿瘤分类信息和分类精度。