[发明专利]基于深度学习的动态超声乳腺结节实时分割与识别的方法

说明书

本发明涉及医学图像处理技术领域，旨在提供一种基于深度学习的动态超声乳腺结节实时分割与识别的方法。包括：收集有结节的超声乳腺图像、视频以及有手术病理结果的病例数据构建数据集，构造静态图像结节分割网络，在原始图像上训练静态图像结节分割模型；使用LSTM层预测中间帧结节概率，构造视频动态分割网络，训练动态分割模型；使用基础网络构造良恶性识别网络结构，训练良恶性识别模型；实时输出结节位置信息，使用良恶性识别模型识别每帧结节良恶性，检查结束输出结节数和综合良恶性概率。本发明可以避免单张图像的信息不完整性，降低错误检测，减少遗漏的小结节，提高结节良恶性识别准确率。

技术领域

本发明是关于医学图像处理技术领域，特别涉及基于深度学习的动态超声乳腺结节实时分割以及结节良恶性识别的方法。

背景技术

乳腺癌在全球范围内发病率高，乳腺癌的早期发现在很大程度上能提高生存率和生存质量，改善预后。乳腺癌筛查常用到的无创性辅助检查方式主要有钼靶、超声和磁共振。在三种检查方式中，钼靶检查价格低廉，主要利用X线摄片，对发现微小钙化最具有优势，进而能够发现无症状或触摸不到的肿瘤，诊断效率甚至高于磁共振。而超声的优势在于没有放射性，检查方便，价格低廉，可以根据需要反复检查；且超声能清楚分辨层次，鉴别囊性与实性肿块的准确率可达100％，能大致判断肿瘤的良恶性；超声可引导穿刺活检并且了解腋窝和锁骨上的淋巴结有没有转移，对致密型乳腺和乳腺增生诊断有优势。另一种无创性检查手段是磁共振，这类检查的特点是敏感性较高，无射线危害，但是价格昂贵，因此不能作为普查筛查的手段，一般作为钼靶与彩超后无法确认病情的患者做进一步诊断的手段。超声在基层医院广泛配置，与CT、核磁、X光等影像的采集与阅片的流程分开不同，超声检测的难点在于图像采集与阅片需要同时完成，并且需要医生采集不同切面的动态图像进行诊断，对超声医生的操作技术水平和临床经验要求比较高，医生的扫描手法不同、病人存在个体化差异、医生的观察者差异等因素的影响，极易造成误诊或漏诊。

在超声乳腺结节诊断上，病灶的精确检出和描述对临床指标的计算和疾病的早期诊断和治疗具有重要意义。目前，现有的图像分割方法，如阈值法、活动轮廓模型、图割法、条件随机场等，虽然不需要大量标记样本训练学习，在实际应用时仍然需要人工识别出病灶并做一些交互才能完成病灶勾画。由于乳腺超声图像存在大量散斑噪声、伪影、衰减等，常常出现病灶边缘模糊、内部回声不均匀等现象，此外其他组织如血管等在图像上表现和一些类型的病变相似，加大了病灶精确分割的难度，因此设计一种实时、精确、鲁棒的超声乳腺病灶自动分割算法在临床上具有重要意义。随着现在计算机硬件性能的提升和深度学习算法的迭代更新，人工智能越来越广泛用于医学影像领域，利用人工智能等计算机辅助技术自动实时完成乳腺结节分割，可以减少对医生经验水平的依赖，解决人工分割主观性强的缺点，提高医生工作效率和诊断精度。采用深度卷积神经网络在大量的有临床手术病理结果的乳腺结节超声图像上进行训练，在测试集数据以及临床应用中测试，结节良恶性识别率达到83％,模型敏感度为90％,特异度为69％，随着数据累积和算法优化，准确率可以不断提高，对超声乳腺疾病早期检查的开展和普及具有重要意义。