[发明专利]一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法

说明书

一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法，用阈值法和形态学法对乳腺钼靶图像进行预处理，剔除水印信息和无信息区域，放大乳腺区域占图比例；全卷积神经网络结合多示例学习方法构建基础系统结构；模型训练阶段的损失函数分为：利用图像级标签计算图像的良恶性二分类交叉熵损失；是利用少量定位框标签计算示例的良恶性二分类交叉熵损失，两者加权和得到总损失函数；利用基础系统结构和总损失函数，以乳腺钼靶图像为输入，利用反向传导过程训练系统模型参数，对输入进行预切割处理后，得到示例概率回归图和图像概率回归值，得出该输入图像的良恶性分类和肿瘤定位结果。本发明克服了先前仅利用图像级标签的方法肿块定位效果差的问题。

技术领域

本发明涉及图像处理算法领域，尤其是一种融合图像级标签和少量定位框标签的基于深度卷积神经网络的乳腺钼靶图像良恶性分类和肿瘤定位的系统及方法。

背景技术

世界卫生组织公布的数据显示，乳腺癌是世界上最常发生在女性身上的癌症。乳腺钼靶影像是一种常用的用于乳腺癌筛查的成像技术，医学专家通过人工分析钼靶影像中病变的特征(如：良性或恶性)来做出诊断。这种手工分析还需要更进一步的乳腺穿刺技术来得到更加正确的诊断结果。然而，放射科医生分析诊断既费时又有挑战性，敏感度和特异度在很大程度上取决于放射科医生的经验。因此，乳腺钼靶影像的自动理解在诊断中起着至关重要的作用。计算机辅助诊断系统对于快速做出更准确的诊断是很有帮助的。

传统乳腺癌分类器采用了k近邻、逻辑斯特回归、支持向量机、决策树以及朴素贝叶斯等分类算法，针对人工设计特征进行癌症分类。随后出现了基于深度学习的分类算法，在目前的乳腺钼靶影像分类和检测任务中，深度卷积神经网络甚至表现出超越人类的性能。然而，在已有的方法中，都需要有大量的定位框或分割标签来训练模型，但这些标注数据需要有丰富的专家领域经验才能获得，成本代价很高。所以只需要利用图像级的分类标注和少量的定位、分割标注就能实现乳腺癌分类和定位具有十分重大的意义。

为了解决只利用图像级标注数据同时实现良恶性分类和病灶定位，在一些方法中提出采用多示例学习的思想，通过保留恶性示例的空间位置信息，从而获得病变的位置。在这些方法中，他们通过稀疏标签分配或定位网络使模型关注正确的病灶区域，从而实现分类和定位。虽然这些方法具有较好的分类性能，但定位性能较差。

发明内容

本发明目的在于提供一种融合图像级标签和少量定位框标签的基于深度卷积神经网络的乳腺钼靶图像良恶性分类和肿瘤定位算法。

为实现上述目的，采用了以下技术方案：本发明所述算法包括以下步骤：

S1，获取乳腺钼靶图像，采用阈值法和形态学法对乳腺钼靶图像进行预切割处理，剔除水印信息和无信息的黑色区域，放大乳腺区域的占图比例；

S2，采用全卷积神经网络结合多示例学习方法构建基础系统结构，将多语义上下文特征融合与空洞残差操作块结合，嵌入基础系统结构中，在保证系统对图像语义信息有效提取的前提下，保留系统对图像空间信息的感知，同时实现乳腺钼靶图像良恶性分类和肿瘤定位；

S3，模型训练阶段的损失函数分为两方面，其一是利用图像级标签计算图像的良恶性二分类交叉熵损失；其二是利用少量定位框标签计算示例的良恶性二分类交叉熵损失，两者进行加权和，得到总损失函数；

S4，利用S2中构建的基础系统结构和S3设计的总损失函数，以S1获得的乳腺钼靶图像为输入，利用反向传导过程训练S2构建的系统的模型参数；

S5，对输入的乳腺钼靶图像进行S1的预切割处理后，输入训练得到的系统模型中，得到示例概率回归图和图像概率回归值，得出该输入乳腺钼靶图像的良恶性分类和肿瘤定位结果。