[发明专利]基于辅助诊断和主观美学的乳腺超声图像质量评价方法

说明书

本发明提供了一种基于辅助诊断和主观美学的乳腺超声图像质量评价方法。首先，构建少量强监督标注信息和大量弱监督标注信息的超声图像数据库；然后，采用多种小样本学习策略，训练病灶ROI的自动分割深度网络模型DNN‑1；接着，将ROI图像与原始图像一同输入，训练得到超声辅助诊断网络DNN‑2；最后，迁移辅助诊断网络的卷积层，结合医生的美学评分，训练得到美学评价卷积神经网络DNN‑3，并基于attention机制结合DNN‑2，得到乳腺超声图像质量评价结果。

技术领域

本发明属医学图像处理技术领域，具体涉及一种基于辅助诊断和主观美学的乳腺超声图像质量评价方法。

背景技术

在医学超声检查过程中，图像质量对于诊断的准确性至关重要。目前，虽然没有世界范围内的统一标准，但对于灰阶超声(B超)和多普勒超声，各个国家或地区均有相关衡量标准，如探头配置、显示器性能，图像的均匀度、灵敏度(最大可视深度、信号噪声比)、几何精度、空间分辨率和对比度分辨率等。如文献“Sassaroli Elisabetta,Crake Calum,Scorza Andrea,Kim Don-Soo,Park Mi-Ae.Image quality evaluation of ultrasoundimaging systems:advanced B-modes.[J].Journal of applied clinical medicalphysics,2019,20(3).”提出了通过计算灰度映射函数、图像对比度、对比度-噪声比和高对比度空间分辨率等来衡量不同先进超声模式(HI mode、SCI mode、TAC mode)图像质量的方法。

但超声图像的价值更多体现在是否有助于医生进行诊断、是否含有目标敏感区域、是否为标准切面等医师更为关注的属性上。文献“Lin Zehui,Li Shengli,Ni Dong,Liao Yimei,Wen Huaxuan,Du Jie,Chen Siping,Wang Tianfu,Lei Baiying.Multi-tasklearning for quality assessment of fetal head ultrasound images.[J].Medicalimage analysis,2019,58.”提出采用迁移学习的方式，参考Faster R-CNN训练目标检测网络，再迁移其卷积层参数，结合分类标签训练分类网络，以此识别胎儿头部的关键解剖结构和超声图像的放大倍数，对胎儿头部的超声平面进行评分，判断胎儿的超声图像是否为标准图像。

在医学图像领域，能否精准分割病灶区域对于辅助诊断结果至关重要，也是体现图像质量的重要标准。上述文献中训练的模型只能实现目标区域的大致定位，而无法做到精确分割，精确分割需要大量手工标记图像，不同部位的图像需要具有相应丰富经验的医师进行标记。

发明内容

为了提高图像质量评价方法的准确性，有效辅助医生进行诊断，本发明提供一种基于辅助诊断和主观美学的乳腺超声图像质量评价方法。将多种特征结合起来对于乳腺超声图像质量进行评价。

一种基于辅助诊断和主观美学的乳腺超声图像质量评价方法，其特征在于步骤如下：

步骤1：构建得到乳腺超声图像数据库，数据库包括乳腺超声图像及其强监督标注信息或弱监督标注信息，所述的强监督标注信息是指精确标注出图像中的病灶ROI、对应诊断结果和美学评分的信息，所述的弱监督标注信息是指仅标注出图像对应诊断结果和美学评分的信息；所述的美学评分为1-5级标识，分数越高图像质量越好；其中，数据库中带有强监督标注信息的乳腺超声图像不少于500幅，带有弱监督标注信息的乳腺超声图像不少于1200幅。

步骤2：采用多种小样本学习策略，训练病灶ROI的自动分割深度网络模型DNN-1，具体为：