[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

说明书

本发明公开了一种基于FCN和迭代声影校正的乳腺超声图像分割方法，构造了一个全新串联的深度神经网络，该网络以第一个FCN的初步分割结果作为声影校正的初始化分割，可有效地对确定的成本函数进行时初始化，从而获得图像的声影场，进而完成超声图像的声影校正，消除解剖层边缘的模糊和部分解剖层图像质量不佳的问题，提高第二个全卷积连接网络的输入图像的质量，再将校正后灰度均衡的图像输入第二个FCN实现最终的解剖层分割，达到较精确的解剖层分割结果。该乳腺超声分割方法的研究有助于解决超声图像分割的若干科学问题，并对后续计算机辅助病灶检测及诊断有重要帮助，具有重要的科学意义。

技术领域

本发明属于乳腺超声图像分割技术领域，具体涉及一种基于FCN和迭代声影校正的乳腺超声图像分割方法。

背景技术

由于无创、无辐射、成本低和实时成像等优点，超声成像是目前乳房临床常规检查的主要手段。超声乳房图像可分为四个解剖层：脂肪层(含皮肤层)、乳腺组织层、肌肉层、肋骨与胸腔壁，用以支持以下临床应用：提升乳腺病灶计算机辅助检测的效能；作为乳房密度计算的基石；辅助乳房手术规划或临床图像的判读与分析。

乳房解剖层的精确分割极具挑战性，主要表现为：(1)乳房各个解剖层厚度、形状、其外观因人因部位而异，而具有较高类内差异(intra-class variation)；(2)由于半点噪声及声波衰减等原因，造成解剖层间的边缘不甚明显，甚至部分区域受到声影影影响而图像质量更为不佳，特别是乳头以及乳房悬韧带下方等区域由于声影的影响而变得更加模糊不清。

全卷积神经网络的语义分割是将传统的分类网络改造成全卷积的网络，主要思路是把CNN改成FCN(全卷积神经网络)，输入一幅图像后直接在输出端得到密度预测图，也就是每个像素所属的类别，FCN有个最大的好处就是输入图像的尺寸是任意的，输出和原图像相同的预测图像。FCN最大的好处就是输入图像的尺寸是任意的，输出和原图像相同尺寸的预测图像。

FCN主要用于自然图像的语义分割，虽然可以较好地做到对自然图像像素点的分类，其中有一个重要的前提就是自然图像的灰度分布较为均匀，但是如果直接将FCN用在乳腺超声图像，往往会因为没有考虑到声音对超声图像的影响，尤其是声影造成的解剖层间的边缘模糊，甚至部分解剖区域因为受到声影影响而图像质量更为不佳，特别是乳头以及乳房悬韧带下方等区域由于声影的影响而变得更加模糊不清，上述声影造成的图像质量下降都会造成FCN对解剖层的分割错误。

发明内容

针对现有技术中的上述不足，本发明提供的基于FCN和迭代声影校正的乳腺超声图像分割方法解决了现有技术中超声图像分割的若干科学的问题，对后续计算机辅助病灶检测及诊断有重要帮助，具有重要的科学意义。

为了达到上述发明目的，本发明采用的技术方案为：一种基于FCN和迭代声影校正的乳腺超声图像分割方法，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和图像域中所有组织的真实灰度值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。