[發明專利]一種基于深度學習的乳腺癌超聲圖像的可解釋性識別方法

在審

• 申請號: 202110253620.6
• 申請日: 2021-03-02
• 公開（公告）號: CN112862808A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 王建;惠雨;陳世超
• 申請（專利權）人: 王建
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06T7/13;G06T7/136;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京燦爛知識產權代理有限公司 32356
• 代理人: 趙麗

1.一種基于深度學習的乳腺癌超聲圖像的可解釋性識別方法，其特征在于：包括有以下步驟：

步驟S1：收集乳腺超聲圖像作為數據集，一部分標注結節區域，生成掩模圖像，作為訓練集；

步驟S2：將標注好結節的一部分數據集作為訓練集訓練分割網絡；

步驟S3：將結節切割為邊界和內核兩部分，并將邊界和內核切割成若干塊；

步驟S4：將切割得到的數據集的一部分作為訓練集訓練分類網絡；

步驟S5：用患者超聲圖像測試集測試，通過完成訓練的分割網絡、圖像切割和完成訓練的分類網絡得到若干分類結果；

步驟S6：采用集成學習方式，綜合得出判別診斷，獲得具有可解釋性的輔助診斷結果。

2.根據權利要求1所述的一種基于深度學習的乳腺癌超聲圖像的可解釋性識別方法，其特征在于：所述步驟S1包括有以下步驟：

步驟S11：收集有結節的乳腺超聲圖像，以及對應良惡性數據；

步驟S12：數據收集完成后，部分由乳腺科超聲醫生勾畫結節，標注結節位置，生成掩模圖像，在此基礎上，構建結節分割與分類的數據集作為訓練集，其余作為測試集。

3.根據權利要求2所述的一種基于深度學習的乳腺癌超聲圖像的可解釋性識別方法，其特征在于：所述步驟S2包括有以下步驟：

步驟S21：分割網絡為預訓練Unet網絡；

步驟S22：訓練集和測試集來訓練和驗證并獲取最終的Unet模型；

步驟S23：將上述最終的Unet模型應用于乳腺超聲圖像的結節的分割。

4.根據權利要求3所述的一種基于深度學習的乳腺癌超聲圖像的可解釋性識別方法，其特征在于：所述步驟S3采用邊緣分割法對圖像進行分割，包括有以下步驟：

步驟T31：設A(i,j)為掩模圖像中的所有像素點，結節的邊緣為連通區域，為整個掩模圖像上的連通區域的面積函數為area(A)，(X₀,Y₀)為整個連通區域的中點，其計算公式為：

其中，m和n均為大于1的正整數；

步驟T32：根據步驟T31中的連通區域的中點(X₀,Y₀)，根據邊緣檢測算子對圖像中的邊緣點進行提取，邊緣點函數為h(X₀,Y₀)，其計算公式為：

步驟T33：將提取的邊緣點通過邊緣閉合技術閉合，得到結節邊緣的分割圖。

5.根據權利要求3或4所述的一種基于深度學習的乳腺癌超聲圖像的可解釋性識別方法，其特征在于：所述步驟S3還包括有以下步驟：

步驟S31：將結節切割為邊界和內核兩部分圖像，并將邊界和內核切割成若干塊，分別獲得帶有邊界特征和內核特征的數據集；

步驟S32：其中切割邊界方法為：從定位掩模圖像左上角第一個像素點，開始切割32×32的像素格，定位包含邊界的像素格為原圖像邊界位置，切割原始圖像得到包含邊界圖像的數據集；

步驟S33：定位不包含邊界的像素格為原始圖像內核位置，并移動若干像素得到若干內核位置，切割原始圖像得到包含內核圖像的數據集。

6.根據權利要求4所述的一種基于深度學習的乳腺癌超聲圖像的可解釋性識別方法，其特征在于：所述掩模圖像是由分割圖像經過二值化得到，利用OTSU算法假設閾值將圖像分成了前景和背景兩個部分并找到找到最佳閾值。

7.根據權利要求1所述的一種基于深度學習的乳腺癌超聲圖像的可解釋性識別方法，其特征在于：所述步驟S4包括有以下步驟：

步驟S41：分類網絡為預訓練CNN網絡；

步驟S42：訓練集和測試集來訓練和驗證并獲取最終的CNN模型；

步驟S43：將上述最終的CNN模型應用于乳腺超聲圖像子圖像的分類。