[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

本發明公開了一種基于半監督學習的乳腺超聲圖像病灶分割方法，所述方法包括：構建神經網絡模型；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。本發明通過采用部分有標簽的乳腺超聲圖像和部分無標簽的乳腺超聲圖像作為樣本數據，并基于EM算法構成神經網絡模型，通過神經網絡模型對乳腺超聲圖像進行分割，這樣一方面減少了樣本數據中的標注數據，減少了醫生的工作量，另一方面通過EM算法進行反復迭代直到所有樣本數據都得到很好的分割效果，從而提高了病灶分割的準確性。

技術領域

本發明涉及智能終端技術領域，特別涉及一種基于半監督學習的乳腺超聲圖像病灶分割方法。

背景技術

乳腺癌篩查的方法包括臨床乳腺檢查、乳腺X線攝影、乳腺超聲及乳腺磁共振成像等，各種方法的檢出效能不一。其中，乳腺超聲作為一種常見的診斷方式，其價格較低、適用病人范圍更加普遍、對人體沒有傷害，且超聲圖像能夠較好地反映出致密性乳腺腫瘤的分布，在乳腺腫瘤篩查和診斷方面應用廣泛。

臨床應用中，采用機器學習的方法對乳腺全容積超聲圖像進行病灶分割，所述機器學習需要提取大量的圖像特征，并基于提取到的圖像特征進行學習，這樣一方面需要大量的前期工作，另一方面不能將乳腺超聲圖像分割出普遍很好的效果。為了解決上述問題，深度學習方法被應用到超聲圖像病灶分割中，而現有的深度學習的技術需要獲取大量醫生手動標注的超聲圖像，并且醫學數據的標注又需要專業經驗非常深厚的醫生，從而增量了醫生的工作量且需要花費大量時間。

發明內容

本發明要解決的技術問題在于，針對現有技術的不足，提供一種基于半監督學習的乳腺超聲圖像病灶分割方法，以解決現有采用深度學習方法存在的需要大量已標注的高質量數據的問題。

為了解決上述技術問題，本發明所采用的技術方案如下：

一種基于半監督學習的乳腺超聲圖像病灶分割方法，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進行標簽以得到攜帶病灶標記的超聲圖像。

所述基于半監督學習的乳腺超聲圖像病灶分割方法，其中，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。

所述基于半監督學習的乳腺超聲圖像病灶分割方法，其中，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。

所述基于半監督學習的乳腺超聲圖像病灶分割方法，其中，所述采用EM算法對網絡參數進行訓練以得到所述神經網絡具體包括：

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所述網絡參數以得到所述神經網絡。