[发明专利]一种基于半监督学习的乳腺超声图像病灶分割方法

说明书

本发明公开了一种基于半监督学习的乳腺超声图像病灶分割方法，所述方法包括：构建神经网络模型；将待分割的乳腺超声图像输入所述神经网络模型，通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像。本发明通过采用部分有标签的乳腺超声图像和部分无标签的乳腺超声图像作为样本数据，并基于EM算法构成神经网络模型，通过神经网络模型对乳腺超声图像进行分割，这样一方面减少了样本数据中的标注数据，减少了医生的工作量，另一方面通过EM算法进行反复迭代直到所有样本数据都得到很好的分割效果，从而提高了病灶分割的准确性。

技术领域

本发明涉及智能终端技术领域，特别涉及一种基于半监督学习的乳腺超声图像病灶分割方法。

背景技术

乳腺癌筛查的方法包括临床乳腺检查、乳腺X线摄影、乳腺超声及乳腺磁共振成像等，各种方法的检出效能不一。其中，乳腺超声作为一种常见的诊断方式，其价格较低、适用病人范围更加普遍、对人体没有伤害，且超声图像能够较好地反映出致密性乳腺肿瘤的分布，在乳腺肿瘤筛查和诊断方面应用广泛。

临床应用中，采用机器学习的方法对乳腺全容积超声图像进行病灶分割，所述机器学习需要提取大量的图像特征，并基于提取到的图像特征进行学习，这样一方面需要大量的前期工作，另一方面不能将乳腺超声图像分割出普遍很好的效果。为了解决上述问题，深度学习方法被应用到超声图像病灶分割中，而现有的深度学习的技术需要获取大量医生手动标注的超声图像，并且医学数据的标注又需要专业经验非常深厚的医生，从而增量了医生的工作量且需要花费大量时间。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种基于半监督学习的乳腺超声图像病灶分割方法，以解决现有采用深度学习方法存在的需要大量已标注的高质量数据的问题。

为了解决上述技术问题，本发明所采用的技术方案如下：

一种基于半监督学习的乳腺超声图像病灶分割方法，其包括：

构建神经网络模型，其中，所述神经网络模型的训练样本包括有标签的第一乳腺超声图像集及无标签的第二乳腺超声图像集；

将待分割的乳腺超声图像输入所述神经网络模型，通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像。

所述基于半监督学习的乳腺超声图像病灶分割方法，其中，所述构建神经网络模型具体包括：

获取训练样本，其中，所述训练样本包括有标签的第一乳腺超声图像集以及无标签的第二乳腺超声图像集；

根据具有标签的乳腺超声图像集获取初始神经网络的网络参数；

采用EM算法对网络参数进行训练以得到所述神经网络。

所述基于半监督学习的乳腺超声图像病灶分割方法，其中，所述根据具有标签的乳腺超声图像集获取初始神经网络的网络参数具体包括：

获取所述训练样本携带的第一乳腺超声图像集，并对第一乳腺超声图像集中的各乳腺超声图像进行标准化；

通过所述标准后的第一乳腺超声图像集对所述初始神经网络进行训练，以得到所述初始神经网络的网络参数。

所述基于半监督学习的乳腺超声图像病灶分割方法，其中，所述采用EM算法对网络参数进行训练以得到所述神经网络具体包括：

将第二乳腺超声图像集输入初始神经网络以得第二乳腺超声图像集中各乳腺超声图像对应的超声分割图；

将所述超声分割图作为其对应的乳腺超声图像的标签，以得到第三乳腺超声图像集；

将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络，通过反向传播算法更新所述网络参数以得到所述神经网络。