[發明專利]結合邊界特征增強和多尺度信息的超聲圖像分割方法及系統

在審

• 申請號: 202010523520.6
• 申請日: 2020-06-10
• 公開（公告）號: CN111784701A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 張海;王偉明;朱磊;吳韻竹;張若昕
• 申請（專利權）人: 深圳市人民醫院
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/13;G06N3/04
• 代理公司: 武漢華強專利代理事務所(普通合伙) 42237
• 代理人: 康晨

本發明公開了一種結合邊界特征增強和多尺度信息的超聲圖像分割方法及系統。給定一張乳腺超聲圖像I，首先對I進行下采樣得到圖像J，并將I和J同時輸入到特征金字塔網絡中，得到一組具有不同空間分辨率的特征圖。然后，通過學習乳腺病變區域的邊界圖，開發一個邊界引導特征增強模塊來增強每個FPN層的特征圖。接著，對增強之后的特征圖進行上采樣和連接操作，并預測出對應于I和J的細分割圖S_I和粗分割圖S_J。最后，為了利用不同尺度的圖像信息，通過融合S_I和S_J來得到乳腺病變的分割結果。通過將增強的邊界特征和多尺度圖像信息結合到一個統一的框架，該方法能夠從超聲圖像中準確分割出乳腺病變區域，并有效去除各種成像偽影造成的錯誤檢測區域。

技術領域

本發明屬于圖像處理領域，涉及一種超聲圖像分割方法，特別是涉及一種結合邊界特征增強和多尺度信息的超聲圖像分割方法及系統。

背景技術

乳腺癌是女性最常見的癌癥，其中超聲檢查因具有多種優點，如安全性、靈活性和通用性等，已成為一種非常有吸引力的乳腺病變檢測和分析影像學方法。然而，由于超聲圖像難以理解，且乳腺病變區域的定量測量是一件繁瑣和困難的任務，基于超聲成像的乳腺病變臨床診斷通常需要訓練有素和經驗豐富的放射科醫生來操作。因此，乳腺病變區域的自動定位將極大促進臨床檢測和分析的過程，使診斷更有效率，并獲得更高的靈敏度和特異度。不幸的是，由于強烈的成像偽影，如斑點噪聲、低對比度和亮度不均勻性，從超聲圖像中準確地分割乳腺病變是非常具有挑戰性的。有關超聲圖像的一些樣本，請參閱圖1；

在歷史文獻中，超聲圖像的乳腺病變分割算法已經被廣泛研究。早期方法主要通過手工特征構造分割模型來推斷乳腺病變區域的邊界，這些方法可以分為三大類，即區域生長方法，可變形模型，還有圖形模型。

區域生長方法從一組手動或自動選擇的種子開始，根據預定義的生長規則，這些種子逐步擴展以捕獲目標區域的邊界。Shan等人開發了一種高效的方法來自動生成感興趣區用于乳腺病變區域的分割，Kwak等人利用輪廓線的平滑性和區域的相似性(平均強度和大小)來定義生長規則。

可變形模型首先構造一個初始模型，然后根據內部能量和外部能量對模型進行變形以達到物體邊界。Madabhushi等人利用邊界點來初始化可變形模型，并采用來氣球力來定義外能量，chang等人先使用棒狀濾波器來去除超聲圖像中的斑點噪聲，然后對模型進行變形以分割乳腺病變區域。

圖形模型通過使用馬爾可夫隨機域或圖割框架進行有效的能量優化來實現乳腺病變區域的分割。Chiang等人使用一個預先訓練好的概率增強樹分類器來確定圖割能量的數據項，Xian等人通過建立頻域和空間域信息的模型來定義能量函數。雖然很多先驗模型已經被設計出來輔助乳腺病變區域的分割，但這些方法沒有足夠的能力來獲取高層語義特征以識別模糊區域中的弱邊界，導致低對比度超聲圖像中容易發生邊界泄漏。

與之相反，基于學習的方法利用一組手動設計的特征來訓練分類器，然后用這些分類器來執行分割任務。Liu等人提取18個局部圖像特征來訓練SVM分類器，并用來分割乳腺病變區域。Jiang等人使用24個的類Harr特征和訓練好的Adaboost分類器來進行乳腺腫瘤分割。近年來，卷積神經網絡在許多醫學應用中已經取得了非常好的效果，它通過構建一系列深度卷積層從標記數據中學習高層語義特征。目前，一些卷積神經網絡框架已經被開發用于從超聲圖像中分割乳腺病變區域。例如，Yap等人調研了三個網絡用于乳腺病變檢測的性能，包括基于塊的LeNet，U網絡和結合預先訓練的FCN-AlexNet的遷移學習方法。Lei等人提出一種具有深度邊界監督和自適應域傳輸的深度卷積編解碼網絡用于乳腺解剖層的分割。Hu等人將一個膨脹的完全卷積網絡和主動輪廓模型結合起來分割乳腺腫瘤。盡管基于卷積神經網絡的方法提高了低對比度超聲圖像中乳腺病變分割的性能，但它們仍然會受到斑點噪聲和亮度不均勻等偽影的影響，而這些偽影又經常出現在臨床應用中，因此會產生不準確的分割結果。

發明內容