[發明專利]基于全卷積網絡的乳腺超聲圖像腫瘤分割方法

有效

• 申請號: 201810505528.2
• 申請日: 2018-05-24
• 公開（公告）號: CN108776969B
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 郭翌;胡雨舟;汪源源;余錦華;周世崇;常才
• 申請（專利權）人: 復旦大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06T7/149
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

本發明屬于圖像處理技術領域，具體為基于全卷積神經網絡的乳腺超聲圖像腫瘤分割方法。本發明方法包括：構建基于空洞卷積的全卷積神經網絡，用于粗略分割超聲圖像上獲得乳腺腫瘤；構建的DFCN網絡中，使用空洞卷積，從而使網絡保持較深層的特征圖的分辨率，以確保在有大量陰影區域的情況下也能很好地分割腫瘤；此外，DFCN網絡中還使用批量歸一化技術，使得網絡具有更高的學習率，加速了訓練過程；利用基于相位信息的動態輪廓PBAC模型，對于粗略分割結果進行優化，得到最終精細的分割結果；實驗結果表明，本發明可以準確地分割腫瘤，尤其對邊界模糊、陰影多的超聲圖像有很好的分割結果。

技術領域

本發明屬于圖像處理技術領域，具體涉及基于全卷積網絡的乳腺超聲圖像腫瘤分割方法。

背景技術

超聲成像技術具有無創、無輻射、實時性好和價格低廉等優點，在乳腺腫瘤篩查和診斷方面應用廣泛。臨床應用中，通常由超聲科醫師手動描繪乳腺超聲圖像中腫瘤的輪廓，這是非常耗時的。此外，手動分割結果高度依賴超聲科醫師的經驗，不同觀察者分割的結果不盡相同。然而，由于超聲成像的特性，乳腺超聲圖像的自動分割存在以下問題：1)嚴重的斑點噪聲導致超聲圖像的對比度低和邊界模糊；2)圖像中存在大量的陰影區域，其與腫瘤區域在灰度和紋理信息上較相似，使得全自動方法難以實現；3)乳腺腫瘤的形狀、大小和位置差異較大，這對分割算法的準確性和魯棒性提出了更高要求[1]。

近年來，基于卷積神經網絡(Convolutional Neural Network,CNN)的分割方法在醫學圖像的研究中有著大量的研究，主要分為基于塊的CNN方法[2]、全卷積神經網絡(Fully Convolutional Network,FCN)[3]和U-net[4]三大類。然而，乳腺超聲圖像中存在大量陰影和斑點噪聲，使得基于塊的CNN或U-net很難獲得滿意的分割結果。FCN更適合乳腺超聲圖像分割，但原始的FCN-8s網絡參數太多，訓練過程需要很長時間，且分割精度還有待提高。

針對上述問題，本發明提出了一種基于全卷積神經網絡的乳腺超聲圖像腫瘤分割方法，通過一個改進的全卷積神經網絡獲得腫瘤粗略的分割結果，該結果已經十分接近腫瘤的實際輪廓，用它作為基于相位的活動輪廓模型的初始輪廓，進一步優化分割結果，從而得到最終的精細的分割結果。

發明內容

本發明的目的是提出一種全自動分割超聲乳腺超聲圖像中腫瘤的方法。

本發明提出的分割超聲乳腺超聲圖像中腫瘤的方法,是基于全卷積網絡，其具體步驟為：

(一)構建基于空洞卷積的全卷積神經網絡，用于粗略分割超聲圖像上獲得乳腺腫瘤；

首先，構建基于空洞卷積的全卷積神經網絡(Dilated fully convolutionalneural network,簡記為DFCN)，然后在超聲圖像對乳腺腫瘤進行相對粗略分割，所謂粗略分割，就是使分割結果達到能較好地顯示出腫瘤位置和邊界的要求，細節部分仍需進一步優化。

構建的DFCN網絡中，使用空洞卷積，從而使網絡保持較深層的特征圖的分辨率，以確保在有大量陰影區域的情況下也能很好地分割腫瘤。此外，DFCN網絡中還使用批量歸一化技術，使得網絡具有更高的學習率，加速了訓練過程。

(二)利用基于相位信息的動態輪廓PBAC(Phase-based active contour,PBAC)模型，對于上一步得到的分割結果進行優化，得到最終精細的分割結果。

該步驟中，使用由DFCN標定的腫瘤邊緣作為動態輪廓PBAC模型的初始邊界，經過多次迭代，進一步優化DFCN的結果。

下面就本發明方法的各個步驟涉及的相關技術細節作進一步的具體描述。