公开(公告)号：CN117094980A

公开(公告)日：2023-11-21

申请号：CN202311124040.2

申请日：2023-09-01

Applicant: 徐州工程学院

Inventor： 田传耕 ,  封波 ,  李凡甲 ,  安媛 ,  马崇杰 ,  封新闻 ,  唐璐

IPC: G06T7/00 ,  G06V10/26 ,  G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08 ,  G06N3/096

Abstract: 本发明提供了基于深度学习的超声乳腺结节图像可解释性方法，首先利用经过专业医生标注的数据集训练Deeplabv3+网络作为分割网络模型，对乳腺结节进行精准定位和分割，再利用预训练AlexNet网络模型进行迁移学习，对乳腺结节进行良恶性分类，首先使用非属性方法，根据医生视角下的结节特征对结节进行边界和内核的分割切块，对子图像进行集成学习得出综合判别的可解释性诊断结果。再使用属性方法，利用多种可视化工具，将模型网络行为转换为用户可以解释的输出，提高可解释性。最后利用Matlab App Designer设计人机交互软件。本发明实现了深度学习模型在乳腺结节影像识别领域上的可解释性，减轻患者心理负担，提高乳腺癌良恶性识别的诊断准确率。