[發明專利]一種超聲影像及組學大數據的三陰性乳腺癌分類方法

在審

• 申請號: 202211331810.6
• 申請日: 2022-10-28
• 公開（公告）號: CN115409832A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 李珊珊;劉文;姚回
• 申請（專利權）人: 新疆暢森數據科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/26;G06V10/40;G06V10/44;G06V10/50;G06V10/52;G06V10/54;G06V10/764;G06V10/77;G06V10/771;G06V10/774;G06V10/80;G06V10/82;G06N3/
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種超聲影像及組學大數據的三陰性乳腺癌分類方法，該方法包括以下步驟：

S1、對乳腺超聲影像數據集進行數據增強預處理操作；

S2、使用深度學習技術對乳腺超聲影像數據集訓練；

S3、利用S2步驟訓練好的模型提取乳腺超聲影像三陰性與非三陰性的腫瘤區域；

S4、使用影像組學技術將步驟S3得到的腫瘤區域進行高通量特征提取，并篩選出最重要的特征；

S5、將步驟4獲取的三陰性與非三陰性的圖像特征，利用隨機森林算法對進行分類。

2.如權利要求1所述的一種超聲影像及組學大數據的三陰性乳腺癌分類方法，其特征在于，所述步驟S1中對乳腺超聲影像數據集進行數據增強預處理的操作步驟為：

S11、設共有N張乳腺超聲腫瘤影像，使用labelme工具對N張影像的腫瘤區域進行標注，生成Mask文件；

S12、將輸入圖像與Mask文件同時進行隨機水平翻轉、傾斜以及高斯模糊操作，以增加數據樣本；

S13、采用歸一化與正則化處理，并將圖像裁剪成統一尺寸，具體公式如下：

（1）

其中input、F、H、G、Resize和BN分別表示輸入圖像、隨機水平翻轉、隨機傾斜、高斯模糊、裁剪和歸一化與正則化處理。

3.如權利要求1所述的一種超聲影像及組學大數據的三陰性乳腺癌分類方法，其特征在于，所述步驟S2中的利用深度學習技術學習乳腺超聲影像特征并建立深度學習模型，圖2為本發明的一種改進U-Net的網絡結構圖，具體步驟如下：

S21編碼階段：將裁剪后的圖像輸入到改進后的U-Net模型中，該階段共分為5層，每一層都要將輸入圖像進行若干次卷積塊操作、最大池化操作以及ECA通道注意力機制加權操作，卷積塊主要包含3×3卷積層、歸一化BN以及Relu激活函數；

S211、卷積操作：圖像經過3×3卷積層，且卷積后的尺寸不變：

+1 （2）

其中input、Output、p、s和k分別表示輸入圖像尺寸、輸出圖像尺寸、邊界擴充、步長和卷積核大小；

S212、歸一化BN操作：將輸入數據使其服從均值為0，方差為1的分布，能使網絡更加穩定，收斂速度更快；

S213、Relu激活函數：使用激活函數增強改進U-Net模型的非線性表達能力，輸出為：

（3）

S214、ECA注意力機制：圖3為本發明引用的ECA注意力機制示意圖，首先輸入特征圖X1（H×W×C）經過全局平均池化得到X2（1×1×C），特征圖高和寬的計算公式如下：

（4）

（5）

其中K為卷積核大小，S為步長，W、H、C分別表示特征圖的寬、高以及通道數；其次特征圖X2通過卷積核K計算每個通道的特征權重，隨后使用Sigmoid函數給每個特征通道賦予權重得到特征圖X3，具體公式如下：

（6）

其中 表示特征層，最后將X3與X進行逐通道相乘，生成加權特征圖X4；S215、最大池化：編碼階段前四層每次完成卷積塊和ECA注意力機制后，通道數增加，特征層的高和寬不變；隨后四層特征層分別進行最大池化操作，通道數不變，特征層的高和寬變為原來的一半，具體如下：

（7）

S216、MC模塊：為了提取圖像細節信息，在改進的U-Net結構的編碼階段的第三、四、五層的特征層分別進行多尺度上下文通道信息提取，圖4為MC模塊結構示意圖，例如將第三層經過ECA注意力機制模塊處理后所得的特征圖，首先進行四個不通尺度的卷積，并將結果進行特征融合、全局平均池化、Sigmoid激活函數處理，最后得到輸出特征圖；

S22、解碼階段：將編碼階段中的特征層通過跳躍連接、反卷積以及卷積塊等操作，逐步恢復圖像特征信息，解碼特征層與編碼特征層各層之間層層對應；S221、跳躍連接及特征融合：編碼階段經過MC模塊處理后得到的特征層、和上一層的最后一個特征層以及解碼階段對應的特征層進行加權特征融合，具體公式如下：

（8）

其中F、A、C分別表示特征融合、平均池化和卷積塊操作，i表示特征層所在的層數，j表示當前特征層經過的卷積次數；

S222、反卷積：將編碼階段得到的特征層進行上采樣操作，該操作不會改變特征層的通道數，特征層的高和寬變為原來的2倍。