[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

说明书

本公开提供了一种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。其中，一种基于局部参考相似性编码的乳腺超声图像分类方法，包括：利用局部结构提取器提取乳腺超声图像的局部patch；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；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得到分类结果。

技术领域

本公开属于乳腺超声图像分类领域，尤其涉及一种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。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

医学影像处理与分析借助于图形图像技术的有力手段，利用现有的医学影像设备极大地提高了医学临床诊断水平，为医学的研究与发展提供坚实的基础，具有重要应用价值。超声成像技术是一种非侵害性的医学成像技术，通过分析乳腺超声图像，我们能够敏感的检测出密集乳房的异常，这有利于提高诊断水平和对疾病的处理。随着统计学理论、模糊集理论、机器学习理论在图像分类领域应用的不断深入，近几年来，很多新的方法与思想被应用于医学图像分类领域，其中深度学习的方法影响极为广泛。

特征表征是肿瘤分类的基本依据。在乳腺超声图像分类任务中，基于纹理的特征是最常用的特征。这些特征是人工开发的，用于捕捉乳腺组织的散射特性。深度卷积神经网络作为一种自动特征学习框架，近年来在目标分类任务中取得了很大的成功。与人工设计的特征相比，深度卷积神经网络具有自动学习更多识别特征的能力。而在深度学习框架中，充足的训练数据是提高表现的关键因素之一。发明人发现，很难收集到足够的带注释的超声图像，限制了性能的提高。

发明内容

为了解决上述问题，本公开的第一个方面提供一种基于局部参考相似性编码的乳腺超声图像分类方法，其可以学习肿瘤图像与局部公共结构关系的低维中层特征，能极大地提高模型的泛化能力，使得模型即使在数据量很少的情况下也能得到良好的训练，提高了乳腺超声图像分类的准确性和鲁棒性。

为了实现上述目的，本公开采用如下技术方案：

一种基于局部参考相似性编码的乳腺超声图像分类方法，包括：

利用局部结构提取器提取乳腺超声图像的局部patch；

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；

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。

为了解决上述问题，本公开的第二个方面提供一种基于局部参考相似性编码的乳腺超声图像分类系统，其可以学习肿瘤图像与局部公共结构关系的低维中层特征，能极大地提高模型的泛化能力，使得模型即使在数据量很少的情况下也能得到良好的训练，提高了乳腺超声图像分类的准确性和鲁棒性。

为了实现上述目的，本公开采用如下技术方案：

一种基于局部参考相似性编码的乳腺超声图像分类系统，包括：

局部patch提取模块，其用于利用局部结构提取器提取乳腺超声图像的局部patch；