[发明专利]一种基于FCN和迭代声影校正的乳腺超声图像分割方法

权利要求书

1.一种基于FCN和迭代声影校正的乳腺超声图像分割方法，其特征在于，包括以下步骤，

S1、通过第一个全卷积神经网络对乳腺超声图像进行概率预分割，并将预分割结果设置为U＝U₀；

S2、设置最大迭代次数为k，当前迭代次数为i＝1，并随机初始化基函数系数向量W＝W₀和图像域中组织的真实灰度值C＝C₀；

S3、根据当前的W和U，对C进行校正更新；

S4、根据当前的C和U，对W进行校正更新；

S5、根据当前的C和W，对U进行校正更新；

S6、判断i＝k是否成立，是则进入步骤S7，否则，令i＝i+1，并返回步骤S3；

S7、根据最终获得的C、W、U，得到超声图像的声影场B和校正更新后的真实超声图像J(k)；

S8、将校正后的真实超声图像J(k)作为第二个全卷积神经网络输入并输出，实现乳腺超声图像的解剖层分割；

所述步骤S3到步骤S5中：

对C进行校正更新的公式为：

C_i＝(U_i-1U_i-1^T)^-1U_i-1(I_i-1-W_i-1^TG) (1)

对W进行校正更新的公式为：

W_i＝(GG^T)^-1G(I_i-C_i^TU_i-1) (2)

对U进行校正更新的公式为：

U_i＝(2C_iC_i^T)^-1(2C_i(I_i-W_i^TG)) (3)

式中，G为声影场中的基函数，I为超声图像，下标i为当前迭代次数，下标i-1为上一次迭代次数，上标T为转置操作符；

其中，超声图像I的计算公式为：

I＝W^TG+C^TU (4)

所述步骤S7中：

所述超声图像的声影场B为：

B＝(W_k)^TG (5)

所述真实超声图像J(k)为：

J(k)＝I-B＝I-(W_k)^TG (6)。

2.根据权利要求1所述的基于FCN和迭代声影校正的乳腺超声图像分割方法，其特征在于，所述步骤S8中，利用随机梯度下降法训练输入真实超声图像的第二个全卷积神经网络，实现乳腺超声图像解剖层的精确分割。