[發明專利]一種基于關鍵點學習的乳腺超聲影像分類方法

有效

• 申請號: 202011290015.8
• 申請日: 2020-11-18
• 公開（公告）號: CN112348106B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 楊國武;陳琴;曹占濤;王剛;張孟華;孔令宇
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李夢蝶

本發明公開了一種基于關鍵點學習的乳腺超聲影像分類方法，首先將超聲影像集預處理，將超聲影像訓練集劃分為m個子集，并訓練m?1個基于神經網絡的良惡性預測模型；然后根據BI?RADS評級標準，給出6個關鍵點的學習方法，對輸入的乳腺超聲影像在每個模型上產生BI?RADS評級的多級分類預測；最后利用投票產生BI?RADS評級的多級分類預測結果，并調整相應的良惡性概率值，本發明解決了目前基于深度學習的乳腺超聲腫瘤識別方法效果與可解釋性平衡的技術問題。

技術領域

本發明涉及圖像處理領域，具體涉及一種基于關鍵點學習的乳腺超聲影像分類方法。

背景技術

當給定一張乳腺超聲圖像，醫生會首先對圖像進行診斷，判定該圖像中是否存在腫瘤以及是否是良性或者惡性腫瘤，從而為之后的治療給出大的方向。現有實現相同功能的技術大致有如下兩種：

第一種：基于商業軟件中的醫療綜合輔助系統給出識別建議。

醫療綜合輔助系統大致工作原理如下：商業醫療綜合輔助系統的提供方根據自己本地數據，使用多種基于決策的過程判定一張圖像是否是良性或者惡性腫瘤，其決策方法一般會根據輸入圖像基于商業軟件提供方自帶的手工特征提取，再根據手工特征對特征進行算法上的處理得到結果。

該方法的缺點如下：商業軟件非開源的缺點使得對圖像的判別和診斷過程不是透明的，對圖像的處理無法了解其原理，而且基于多種特征的提取耗費時間，通常判別一張圖像需要等待較長時間，并且無法利用新的數據學習新的模式，使得判別水平始終都是同樣的，不利于長期使用。

第二種：基于傳統的機器學習方法或者深度學習對圖像做出識別，利用傳統的機器學習法方法需要手動提取特征，常見的圖像特征有圖像的邊緣，圖像的明暗等以及方向梯度直方圖(HOG)，使用統計信息對圖像做出描述和表征，使用這些特征能夠一定程度上描述普通的圖像，之后再使用傳統的機器學習方法或者深度學習做出預測。

該方法的缺點如下：使用傳統的手工特征需要大量的工作，一般需要包含該領域內的專家做出指導和說明，而使用手工特征常常和數據本身的特點有關系，而醫療數據往往對應需要專業醫師處理數據，使得時間和人力成本較大，但是該方法的缺點是，僅僅給出了某一個類別下的預測結果，而沒有給出該種預測下的概率值，通常使用深度學習給出的預測結果不能代表該預測的真實概率值。而一般的醫療輔助系統需要使用較高概率值的預測結果和很可靠的預測結果作為輔助手段，傳統方法顯然不能滿足醫療輔助的核心需求。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于關鍵點學習的乳腺超聲影像分類方法解決了目前基于深度學習的乳腺超聲腫瘤識別方法效果與可解釋性平衡的技術問題。

為了達到上述發明目的，本發明采用的技術方案為：一種基于關鍵點學習的乳腺超聲影像分類方法，包括以下步驟：

S1、采集乳腺超聲圖像，并對每一張乳腺超聲圖像進行預處理和良惡性標注，得到乳腺超聲圖像集；

S2、將乳腺超聲圖像集劃分為多個子集，并采用多個子集訓練和驗證多個良惡性預測神經網絡模型，并基于良惡性預測神經網絡模型，得到多個本地測試集的良惡性概率；

S3、根據每一個本地測試集的良惡性概率和BI-RADS標準，構建惡性概率點集中6個概率關鍵點，計算乳腺超聲圖像的類別；

S4、根據乳腺超聲圖像的類別，利用投票產生BI-RADS評級的多級分類預測結果，并調整相應的乳腺腫瘤的惡性概率值，并基于乳腺腫瘤的惡性概率值，得到乳腺超聲影像BI-RADS分類結果。

進一步地，步驟S1包括以下分步驟：

S11、采集乳腺超聲圖像，對乳腺超聲圖像進行圖像大小統一和圖像的腫瘤部位截取的預處理工作，得到預處理后的乳腺超聲圖像；

S12、對預處理后的乳腺超聲圖像進行良惡性標注，得到乳腺超聲圖像集。