[發明專利]基于深度學習的數字乳腺斷層影像鈣化簇自動檢測方法

在審

• 申請號: 201810472661.2
• 申請日: 2018-05-17
• 公開（公告）號: CN108734705A
• 公開（公告）日: 2018-11-02
• 發明（設計）人: 厲力華;柳哲;李遠哲
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00
• 代理公司: 杭州千克知識產權代理有限公司 33246
• 代理人: 周希良

本發明公開了一種基于深度學習的數字乳腺斷層影像鈣化簇自動檢測方法。本發明首先對DBT圖像進行預處理，將將經過以上處理的圖片輸入帶有特征金字塔網絡的區域建議網絡中，在特征金字塔每一層生成多種長寬比的目標候選區域。其次將上面產生的候選區域放入池化層，對候選區域生成網絡的特征映射層輸出的特征圖進行區域池化，生成固定大小的區域特征。最后將經過池化層的候選區域放入兩個全連接層，并輸入后續的softmax層和Box回歸層，進行最終的目標分類以及目標邊界回歸修正。本發明通過加入特征金字塔網絡可以利用經過自上而下路徑后的那些上下文信息，FPN增加了特征映射的分辨率，這樣可以獲得更多關于小目標的有用信息。

技術領域

本發明屬于圖像處理技術領域，涉及一種特征金字塔網絡（Feature PyramidNetworks，FPN）技術，特別涉及一種基于Faster Region-based Convolutional NeuralNetworks (簡稱Faster R-CNN)的數字乳腺斷層影像鈣化簇自動檢測方法。

背景技術

乳腺癌是女性最常見的惡性腫瘤之一，現已成為40～55歲年齡段的婦女死于癌癥的首因，但是目前還沒有確切的方法預防乳腺癌。因此，早期診斷和早期治療成為降低乳腺癌死亡率的關鍵。鈣化是乳腺癌非常重要的早期征象，因其x光衰減系數遠高于正常組織，在x光片上通常表現為一個個的小亮點。成簇出現的微鈣化點很大程度上標志著惡性癌變，尤其是當同一區域出現多簇微鈣化點時，幾乎就可以斷定是惡性癌變。因為微鈣化點是早期乳腺癌最重要的標志性信息，有時甚至是早期乳腺癌唯一的惡性征象，因此在早期乳腺癌的篩查和診斷中具有舉足輕重的地位。

數字乳腺斷層融合X線成像技術（digital breast tomosynthesis, DBT）是目前數字乳腺成像的最新發展趨勢。DBT 技術通過對不同角度采集的二維投影數據進行反投影斷層重建，獲得乳腺的三維圖像信息，從而克服傳統數字乳腺投影成像的諸多缺點，如組織重疊引起的誤判率增加、以及對癌癥病灶定位精度的下降等。

然而DBT影像會產生大量的切片圖像數據，醫生在人工閱片時工作量大，同時存在閱片疲勞的情況，使診斷結果包含主觀因素。同時DBT影像獲取的是乳腺三維圖像信息，醫生人為提取復雜。因此自動影像輔助診斷非常有必要，能減輕醫生的負擔，給出客觀的輔助診斷決策。

對于乳腺鈣化簇目標小，識別難得特點，傳統的圖像檢測方法檢測的準確率較低，并且需要手動設置大量的參數。隨著深度學習近年快速的發展，目前CNN被證明是較適合圖像特征提取的一種方法。特征金字塔是多尺度目標檢測系統中的一個基本組成部分。近年來深度學習目標檢測卻有意回避這一技巧，部分原因是特征金字塔在計算量和用時上很敏感。

Faster R-CNN是目前目標檢測領域的主流框架之一，雖然后續推出了R-FCN，MaskR-CNN等改進框架，但基本結構變化不大，精度上依然以Faster R-CNN為最好。

發明內容

本發明的目的是針對上述問題，提供一種高效準確的數字乳腺斷層影像鈣化簇自動檢測方法。

本發明方法具體是：

步驟1、對DBT圖像進行預處理。

A、對斜側位（MLO）圖像進行胸肌去除。

B、利用最大密度投影（PPJ）技術，增強切片厚度使鈣化簇在每一層切片更明顯。

步驟2、將經過以上處理的圖片輸入帶有特征金字塔網絡（FPN）的區域建議網絡（Region Proposal Network，RPN）中，在特征金字塔每一層生成多種長寬比的目標候選區域。然后利用非極大值抑制選取2000個候選區域。