[發明專利]結合邊界特征增強和多尺度信息的超聲圖像分割方法及系統

在審

• 申請號: 202010523520.6
• 申請日: 2020-06-10
• 公開（公告）號: CN111784701A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 張海;王偉明;朱磊;吳韻竹;張若昕
• 申請（專利權）人: 深圳市人民醫院
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/13;G06N3/04
• 代理公司: 武漢華強專利代理事務所(普通合伙) 42237
• 代理人: 康晨

1.一種結合邊界特征增強和多尺度信息的超聲圖像分割方法，其特征在于，包括如下步驟：

步驟1，獲得超聲圖像訓練數據集，對訓練數據集中訓練圖像中病變區域進行標注，得到標注掩膜，利用canny檢測器對標注掩膜進行邊緣檢測，從而獲得病變區域的邊界圖；

步驟2，對訓練數據集中的每一張訓練圖像I進行下采樣得到圖像J，并將I和J同時輸入到改進的特征金字塔網絡FPN中進行訓練，達到一定的迭代次數，從而預測出對應于I和J的細分割圖S_I和粗分割圖S_J，并獲得訓練好的網絡模型，所述改進的特征金字塔網絡FPN是基于現有的特征金字塔網絡框架，并通過邊界引導特征增強模塊對每個FPN層的特征圖進行增強，然后對增強之后的特征圖進行上采樣和連接操作；最后，通過融合S_I和S_J來得到病變區域的分割結果；

步驟3，給定一張測試超聲圖像I’，首先對I’進行下采樣得到圖像J’，并將I’和J’同時輸入到訓練好的網絡模型中，獲得對應于I’和J’的細分割圖S_I’和粗分割圖S_J’，最后通過融合S_I’和S_J’得到病變區域的分割結果。

2.如權利要求1所述的一種結合邊界特征增強和多尺度信息的超聲圖像分割方法，其特征在于：步驟2中邊界引導特征增強模塊的具體處理過程如下，

給定一張特征圖F，首先對F應用3x3的卷積層來獲得第一個中間圖像X，再應用1x1的卷積層來獲得第二個中間圖像Y，Y將被用于學習病變區域的邊界圖B，其中邊界圖B的獲取方式為：對訓練圖像中病變區域進行標注，得到標注掩膜，利用canny檢測器對標注掩膜進行邊緣檢測，從而獲得病變區域的邊界圖B；

然后，對Y應用3x3的卷積層來獲得第三個中間圖像Z，并以像素為單元將Z的每個通道與B相乘；最后，連接X和Z，再應用1x1的卷積層來獲得增強的特征圖的第c個通道計算如下：

其中，f_conv是1x1卷積參數，Z_c是Z的第c個通道，concate表示特征圖上的連接操作。

3.如權利要求1所述的一種結合邊界特征增強和多尺度信息的超聲圖像分割方法，其特征在于：步驟2中改進后的特征金字塔網絡FPN的總損失函數L的計算如下所示，

L＝D_seg+αD_edge,

其中，D_seg和D_edge分別是分割損失和邊界損失，α是用來平衡D_seg和D_edge的參數；D_seg和D_edge的計算公式如下：

其中，G_s和G_e分別是病變區域的標注掩膜和邊界圖，S_I和S_J分別是對應于I的細分割圖和J的粗分割圖，S_f是訓練圖像I的最終分割結果；B_k是第k個邊界引導特征增強模塊上病變區域的預測邊界圖，函數包括Dice損失和交叉熵損失，定義如下：

其中Φ_CE和Φ_Dice分別是交叉熵損失函數和Dice損失函數，β是用來平衡Φ_CE和Φ_Dice的參數。

4.如權利要求1所述的一種結合邊界特征增強和多尺度信息的超聲圖像分割方法，其特征在于：所述超聲圖像為乳腺超聲圖像。