[發(fā)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?zhí)枺?/td>: 202110253620.6
• 申請日: 2021-03-02
• 公開（公告）號: CN112862808A
• 公開（公告）日: 2021-05-28
• 發(fā)明（設計）人: 王建;惠雨;陳世超
• 申請（專利權(quán)）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(chǎn)權(quán)代理有限公司 32356
• 代理人: 趙麗

本發(fā)明涉及乳腺癌識別技術(shù)領(lǐng)域，特別涉及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，S1：收集乳腺超聲圖像作為數(shù)據(jù)集，一部分標注結(jié)節(jié)區(qū)域，生成掩模圖像，作為訓練集；S2：將標注好結(jié)節(jié)的一部分數(shù)據(jù)集作為訓練集訓練分割網(wǎng)絡；S3：將結(jié)節(jié)切割為邊界和內(nèi)核兩部分，并將邊界和內(nèi)核切割成若干塊；S4：將切割得到的數(shù)據(jù)集的一部分作為訓練集訓練分類網(wǎng)絡；S5：用患者超聲圖像測試集測試，并得到若干分類結(jié)果；S6：采用集成學習方式，得出判別診斷，本發(fā)明對乳腺超聲圖像進行自動分割與切割得到大量具有邊界特征和內(nèi)部回聲均勻度特征的圖像，通過分類和集成學習算法，訓練較少的超聲圖像就能獲得傳統(tǒng)方法訓練大量超聲圖像得到了準確率。

技術(shù)領(lǐng)域

本發(fā)明涉及乳腺癌識別技術(shù)領(lǐng)域，特別涉及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。

背景技術(shù)

乳腺癌是發(fā)生在乳腺上皮組織的惡性腫瘤，已成為威脅婦女健康的主要病因。乳腺癌中99％發(fā)生在女性，男性僅占1％。發(fā)病機制主要包括遺傳因素，基因突變，機體免疫功能下降，神經(jīng)功能狀況等。乳腺癌的早期癥狀為腫塊和局部皮膚改變，隨著病情發(fā)展，晚期可能表現(xiàn)出局部及全身癥狀主要表現(xiàn)為乳頭溢液、糜爛或皮膚凹陷等。目前國際、國內(nèi)的乳癌病理分類，在實際應用中仍未統(tǒng)一，國內(nèi)多采用的病理分型為非浸潤性癌，早期浸潤性癌，浸潤性癌和其它罕見癌。全球乳腺癌新發(fā)病例高達226萬例，成為全球第一大癌。我國城市中乳腺癌的死亡率增長了38.91％，乳腺癌發(fā)病率位居大城市女性腫瘤的第一位。國外的乳腺癌患者隨著年齡增加而增加，一般在65～70歲達到高峰。在我國，乳腺癌發(fā)病呈現(xiàn)兩個高峰：第一個出現(xiàn)在45-55歲之間，另一個出現(xiàn)在70-74歲之間。從年齡分布上看，乳腺癌發(fā)病率從30歲開始逐漸升高，并于55歲年齡組達到高峰，50歲以下的女性患者約占40％。

目前，對乳腺癌病理圖像輔助診斷的研究主要有手工提取特征的傳統(tǒng)圖像處理和基于深度學習的圖像處理兩種方法。傳統(tǒng)圖像處理方法需要人工提取圖像特征，存在人工提取特征過程復雜度高、測試識別準確度低和泛化能力差等問題。深度學習有著極強的特征自動抽取能力，可以解決傳統(tǒng)機器學習對手工提取特性的依賴。而大部分深度學習方法的基本架構(gòu)都是在端到端的模式下、通過標注大量數(shù)據(jù)來進行誤差后向傳播的方式來優(yōu)化參數(shù)，這種學習方法解釋性較弱，使得大多依賴大量的工程經(jīng)驗和技巧。可解釋性指算法要對特定任務給出清晰概括，并與人類世界中已定義的原則或原理聯(lián)結(jié)。在醫(yī)療決策這樣的高風險領(lǐng)域，利用深度學習進行重大決策時，往往需要知曉算法所給出結(jié)果的依據(jù)，如判定結(jié)果是基于病人哪些因素的考慮。因此，透明化深度學習的黑盒子，使其具有可解釋性，具有重要意義。本文著重研究基于深度學習的乳腺癌超聲圖像識別，根據(jù)可解釋分析結(jié)果判斷結(jié)節(jié)的良惡性。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供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。

為解決上述問題，本發(fā)明提供以下技術(shù)方案：

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包括有以下步驟：

步驟S1：收集乳腺超聲圖像作為數(shù)據(jù)集，一部分標注結(jié)節(jié)區(qū)域，生成掩模圖像，作為訓練集；

步驟S2：將標注好結(jié)節(jié)的一部分數(shù)據(jù)集作為訓練集訓練分割網(wǎng)絡；

步驟S3：將結(jié)節(jié)切割為邊界和內(nèi)核兩部分，并將邊界和內(nèi)核切割成若干塊；

步驟S4：將切割得到的數(shù)據(jù)集的一部分作為訓練集訓練分類網(wǎng)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(wǎng)絡、圖像切割和完成訓練的分類網(wǎng)絡得到若干分類結(jié)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(jié)果。

進一步的，所述步驟S1包括有以下步驟：

步驟S11：收集有結(jié)節(jié)的乳腺超聲圖像，以及對應良惡性數(shù)據(jù)；