[發明專利]一種基于半監督學習的乳腺超聲圖像病灶分割方法

有效

• 申請號: 201910485090.0
• 申請日: 2019-06-05
• 公開（公告）號: CN110189323B
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 王毅;孫冬;倪東;汪天富
• 申請（專利權）人: 深圳大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 王永文;劉文求

1.一種基于半監督學習的乳腺超聲圖像病灶分割方法，其特征在于，其包括：

構建神經網絡模型，其中，所述神經網絡模型的訓練樣本包括有標簽的第一乳腺超聲圖像集及無標簽的第二乳腺超聲圖像集；

將待分割的乳腺超聲圖像輸入所述神經網絡模型，通過所述神經網絡模型對所述乳腺超聲圖像添加標簽以得到攜帶病灶標記的超聲圖像；

將第二乳腺超聲圖像集輸入初始神經網絡以得第二乳腺超聲圖像集中各乳腺超聲圖像對應的超聲分割圖；

將所述超聲分割圖作為其對應的乳腺超聲圖像的標簽，以得到第三乳腺超聲圖像集；

將所述第一乳腺超聲圖像集和所述第三乳腺超聲圖像集輸入所述初始神經網絡，通過反向傳播算法更新網絡參數以得到所述神經網絡；

所述將所述第一乳腺超聲圖像集和所述第三乳腺超聲圖像集輸入所述初始神經網絡，通過反向傳播算法更新所述網絡參數以得到所述神經網絡具體包括：

將所述第一乳腺超聲圖像集和所述第三乳腺超聲圖像集輸入所述初始神經網絡；

通過反向傳播算法更新所述網絡參數，并判斷所述網絡參數的更新次數是否達到預設次數；

當所述更新次數達到預設次數時，根據所述網絡參數確定神經網絡；

當所述更新次數未達到預設次數時，重復將第二乳腺超聲圖像集輸入初始神經網絡的操作。

2.根據權利要求1所述基于半監督學習的乳腺超聲圖像病灶分割方法，其特征在于，所述構建神經網絡模型具體包括：

獲取訓練樣本，其中，所述訓練樣本包括有標簽的第一乳腺超聲圖像集以及無標簽的第二乳腺超聲圖像集；

根據具有標簽的乳腺超聲圖像集獲取初始神經網絡的網絡參數；

采用EM算法對網絡參數進行訓練以得到所述神經網絡。

3.根據權利要求2所述基于半監督學習的乳腺超聲圖像病灶分割方法，其特征在于，所述根據具有標簽的乳腺超聲圖像集獲取初始神經網絡的網絡參數具體包括：

獲取所述訓練樣本攜帶的第一乳腺超聲圖像集，并對第一乳腺超聲圖像集中的各乳腺超聲圖像進行標準化；

通過所述標準后的第一乳腺超聲圖像集對所述初始神經網絡進行訓練，以得到所述初始神經網絡的網絡參數。

4.根據權利要求1所述的基于半監督學習的乳腺超聲圖像病灶分割方法，其特征在于，所述將待分割的乳腺超聲圖像輸入所述神經網絡模型，通過所述神經網絡模型對所述乳腺超聲圖像進行標簽以得到攜帶病灶標記的超聲圖像具體包括：

將待分割的乳腺超聲圖像輸入所述神經網絡模型得到帶有病灶分割標記的掩膜圖像；

將所述掩膜圖像與分割的乳腺超聲圖像相加得到帶病灶標記的超聲圖像。

5.根據權利要求1-4任一所述的基于半監督學習的乳腺超聲圖像病灶分割方法，其特征在于，所述神經網絡模型的損失函數為：

其中，所述λ為權重參數，θ為網絡參數，Y_u為無標簽的乳腺超聲圖像，P(y_i,j|x_i,θ)表示在乳腺超聲圖像x_i上像素j處的softmax概率值，L為第一乳腺超聲圖像集，U為第二乳腺超聲圖像集。

6.根據權利要求1-4任一所述的基于半監督學習的乳腺超聲圖像病灶分割方法，其特征在于，所述神經網絡模型包括編碼器和解碼器，所述編碼器包括若干Dense基礎單元，所述解碼器包括上采樣以及若干Dense基礎單元，所述編碼器與所述解碼器的對應層相連接。

7.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執行，以實現如權利要求1-6任意一項所述的基于半監督學習的乳腺超聲圖像病灶分割方法中的步驟。

8.一種應用服務器，其特征在于，包括：處理器、存儲器及通信總線；所述存儲器上存儲有可被所述處理器執行的計算機可讀程序；

所述通信總線實現處理器和存儲器之間的連接通信；

所述處理器執行所述計算機可讀程序時實現如權利要求1-6任意一項所述的基于半監督學習的乳腺超聲圖像病灶分割方法中的步驟。