[发明专利]基于局部参考相似性编码的乳腺超声图像分类方法及系统

权利要求书

1.一种基于局部参考相似性编码的乳腺超声图像分类方法，其特征在于，包括：

利用局部结构提取器提取乳腺超声图像的局部patch；所述局部结构提取器的提取过程为：将局部结构提取器的大小设置为m×m，然后局部特征提取器以m为步长，在整张乳腺超声图像上滑动，滑动过程中，将特征提取器覆盖的区域取下来；

通过优化基于目标函数的距离相似度来学习乳腺超声图像的局部参考，所述局部参考代表肿瘤的特定局部特征以及包含类别信息；所述通过优化基于目标函数的距离相似度来学习局部参考学习，如下公式所示：

其中x为从良性肿瘤提取出的局部patch，z为从恶性肿瘤提取出的局部patch，M_i和B_i分别代表良性肿瘤提取的局部patch集合和恶性肿瘤提取的局部patch集合，p(t)是指示函数，如果t是良性局部patch，则p(t)的值为0，如果t是恶性局部patch，则p(t)的值为1，K指的是良性局部参考和恶性局部参考的总数量，μ_i和θ_i分别代表良性局部参考和恶性局部参考；

局部参考的初值是随机给定的，然后计算局部参考到局部patch的欧氏距离，当没有更新本地引用的值时，迭代将停止，并且可以获得最终的本地引用；

利用两个CNN特征提取器对获取的局部patch和局部参考进行学习，用来提取输入图像的局部patch和局部参考的特征；

对输入图像的局部patch与对应局部参考之间的相似性进行编码，得到局部patch的相似位，将该局部patch的相似位与所有局部引用相结合，就可以得到该局部patch的相似码；

为了对整个图像进行编码，将局部patch的相似码转换为一维类级相似位，统计每个一维类级相似位，进而得到分类结果；所述将局部patch的相似码转换为一维类级相似位的公式为：

其中，q表示类等级位参考值，预先设定阈值为q_t，K是局部参考的数量，C是通过相似编码层得到的局部patch的相似编码，C_k表示相似性编码的第k个元素；L是类等级位，若qq_t，L＝1，否则L＝0；L＝1代表局部patch属于良性的局部参考，反之亦然；

结合所有局部patch的一维类级相似位，得到整个图像的相似码。

2.如权利要求1所述的一种基于局部参考相似性编码的乳腺超声图像分类方法，其特征在于，利用局部结构提取器提取乳腺超声图像的局部patch的过程为：

预设局部结构提取器的大小以及步长，在整张乳腺超声图像上以设定步长滑动；

在滑动过程中，当b(i)的值大于预设阈值时，将特征提取器覆盖的区域取下来，作为局部patch；

其中i代表一个像素点，R是特征提取器的面积，T代表ROI的区域，a(i)代表一个指示函数，满足条件为1，不满足为0。

3.如权利要求1所述的一种基于局部参考相似性编码的乳腺超声图像分类方法，其特征在于，对输入图像的局部patch与对应局部参考之间的相似性进行编码的过程为：

将输入图像的局部patch与对应局部参考通过对应相减组合成一个特征向量；

利用关系学习网络学习局部patch与局部参考之间的相似性。