[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

本發明涉及醫學圖像處理技術，旨在提供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。包括：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；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；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；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。本發明與使用普通B超圖像識別良惡性相比，能夠提高良惡性診斷準確率。本發明可以學習到旋轉不變性，在不增加網絡計算復雜度情況下，能夠提高模型識別準確率。

技術領域

本發明關于醫學圖像處理技術領域，特別涉及基于深度卷積神經網絡的剪切波彈性圖像識別乳腺結節良惡性的方法。

背景技術

隨著乳腺惡性腫瘤發病率逐年提高，乳腺檢查已經成為女性體檢中必不可少的一項檢查項目，目前的乳腺檢查主要以超聲及鉬靶檢查為主，但鉬靶檢查存在X射線輻射及檢查方式較為痛苦等因素，因此超聲以其獨特的檢查特性位列乳腺檢查首選。常規乳腺檢查以二維、彩色多普勒等檢查手段為主，主要觀察病灶的形態、邊界、內部回聲及血供等，后來超聲彈性成像的出現為檢查提供了更加明確的質地信息，組織彈性的改變與病理有關，組織間的彈性差異遠大于聲阻抗的差異，應用這種顯著差異，可以對組織良惡性進行更精確的鑒別診斷。

傳統彈性成像應用外力(手動加壓、心跳、呼吸、脈搏)作用于被檢組織，觀察被檢組織的應變情況，壓力的大小會直接影響最終彈性的結果，人為因素較大、重復性較差、無具體硬度值。點式剪切波彈性成像使用探頭發射推力脈沖波(縱波)作用于組織，引起組織形變并產生剪切波(橫波)，計算剪切波速度以換算組織硬度，可以直接顯示被檢組織的硬度值，但是點式剪切波彈性成像是非實時的，取樣容積大小不可調，取樣深度受限，測量重復性差。實時剪切波彈性成像(E-成像)通過探頭發射推力脈沖波以馬赫圓錐的形式進行多點連續聚焦作用于被檢組織，并以極速成像平臺高速捕獲剪切波的傳播過程及組織的形變信息，進而實時、全幅、全定量的顯示組織質地信息(楊氏模量值，Kpa)，避免了操作者人為因素影響，重復性更好，可應用于全身各個器官的慢性病分級、占位性病變鑒別診斷等。

剪切波彈性圖像中包含很多客觀的有醫學意義的信息，這些信息是肉眼難以發現的，采用深度卷積神經網絡(Convolutional Neural Network，CNN)在有臨床手術病理結果的乳腺結節剪切波彈性圖像上進行訓練，從臨床常規影像學資料中提取出更多信息，隨著數據累積和算法優化，結節良惡性識別準確率可以不斷提高，對超聲乳腺疾病早期檢查的開展和普及具有重要意義。

深度卷積神經網絡可以學習到圖像中同類別的共性和不同類別之間的主要差異，網絡最后幾層輸出的高度抽象特征，具有一定的平移、尺度、亮度等不變性，但不具有旋轉不變性，導致學習到的特征穩定性不足。在對輸入圖像做模擬的數據增廣時，雖然可以加入隨機旋轉變換，但參數需要預先設置，而且不同任務參數范圍不一樣，參數很難調整到最優，不合適的參數范圍甚至會降低網絡準確性。一般情況下網絡越深模型分類準確率越高，但在數據比較少時，模型很容易過擬合，尤其是在超聲圖像。Dropout是一種簡單、有效的防止過擬合的方法，但Dropout會降低網絡收斂速度，增加訓練時間，同時Dropout百分比對結果影響比較大，需要更多的實驗確定最優百分比。

發明內容

本發明要解決的技術問題是，解決現有技術中的不足，提供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。通過利用已知超聲乳腺結節區域和剪切波彈性圖像，提高乳腺結節良惡性識別準確率。

為解決上述技術問題，本發明的解決方案是：

提供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，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；