[發明專利]基于深度學習的剪切波彈性圖鑒別乳腺結節良惡性的方法

在審

• 申請號: 202010415779.9
• 申請日: 2020-05-16
• 公開（公告）號: CN111681210A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 王守超
• 申請（專利權）人: 浙江德尚韻興醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 杭州中成專利事務所有限公司 33212
• 代理人: 周世駿

1.一種基于深度學習的剪切波彈性圖鑒別乳腺結節良惡性的方法，其特征在于，包括以下步驟：

(1)收集有結節的超聲乳腺普通B超圖像和剪切波彈性圖像的病例數據，根據病理結果構建良惡性分類數據集；

(2)選擇基礎網絡結構，使用旋轉池化卷積層替換部分卷積層，構建良惡性識別網絡結構；

(3)網絡輸入增加結節掩模信息，在訓練集上進行數據增強，訓練過程中使用可分離Dropout計算提高模型泛化能力；

(4)輸入測試圖像，進行多圖像塊和多模型測試評價模型性能，對圖像進行乳腺結節良惡性判斷。

2.根據權利要求1所述的方法，其特征在于，所述步驟(1)包括：

(1.1)收集有結節的超聲乳腺普通B超圖像和剪切波彈性圖像的病例數據，以病例為單位，將普通B超圖像和剪切波彈性圖像一一對應；

(1.2)根據手術病理結果劃分良惡性；對于多結節情況，明確每個結節的病理結果；

(1.3)裁剪圖像上非超聲區域，勾畫結節位置，生成結節掩模圖像；

(1.4)以病例為單位，按照三交叉劃分訓練集和測試集。

3.根據權利要求1所述的方法，其特征在于，所述步驟(2)包括：

(2.1)選取DenseNet作為基礎網絡結構；

(2.2)構建169層DenseNet網絡結構，網絡輸入圖像大小224×224，修改輸入特征通道數為4；首先經過7×7卷積和3×3最大池化得到64個下采樣2倍的112×112特征圖，然后依次經過4個增長率是32的密集連接塊，每個密集連接塊分別由6、12、32、32個使用了1×1卷積降低特征通道的3×3卷積層稠密連接組成，密集連接塊之間使用由批量歸一化層、1×1卷積層和2×2平均池化層組成的過渡層減小特征圖的數量；網絡輸出1664個下采樣32倍的7×7特征圖，最后經過全局平均池化輸出預測類別概率；

(2.3)結合網絡的局部感受野、權重綁定和池化策略，使用旋轉卷積核參數的方法將旋轉不變性編碼加進卷積層；卷積核在平面內以中心位置分別旋轉0度、45度、90度、135度、180度、225度、270度和315度，得到8個卷積核；在做卷積時，8個卷積核分別對輸入特征通道進行卷積，得到8個獨立輸出特征通道，最后在8個通道圖之間做最大池化，作為RPC層輸出的最終特征圖像；訓練時前向過程和普通網絡一樣，誤差反向傳播時與最大值池化層一致；在DenseNet網絡最后1個密集連接塊使用RPC層替換3×3卷積層，學習到旋轉不變特征。