[发明专利]基于深度学习的剪切波弹性图鉴别乳腺结节良恶性的方法

权利要求书

1.一种基于深度学习的剪切波弹性图鉴别乳腺结节良恶性的方法，其特征在于，包括以下步骤：

(1)收集有结节的超声乳腺普通B超图像和剪切波弹性图像的病例数据，根据病理结果构建良恶性分类数据集；

(2)选择基础网络结构，使用旋转池化卷积层替换部分卷积层，构建良恶性识别网络结构；

(3)网络输入增加结节掩模信息，在训练集上进行数据增强，训练过程中使用可分离Dropout计算提高模型泛化能力；

(4)输入测试图像，进行多图像块和多模型测试评价模型性能，对图像进行乳腺结节良恶性判断。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)包括：

(1.1)收集有结节的超声乳腺普通B超图像和剪切波弹性图像的病例数据，以病例为单位，将普通B超图像和剪切波弹性图像一一对应；

(1.2)根据手术病理结果划分良恶性；对于多结节情况，明确每个结节的病理结果；

(1.3)裁剪图像上非超声区域，勾画结节位置，生成结节掩模图像；

(1.4)以病例为单位，按照三交叉划分训练集和测试集。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)包括：

(2.1)选取DenseNet作为基础网络结构；

(2.2)构建169层DenseNet网络结构，网络输入图像大小224×224，修改输入特征通道数为4；首先经过7×7卷积和3×3最大池化得到64个下采样2倍的112×112特征图，然后依次经过4个增长率是32的密集连接块，每个密集连接块分别由6、12、32、32个使用了1×1卷积降低特征通道的3×3卷积层稠密连接组成，密集连接块之间使用由批量归一化层、1×1卷积层和2×2平均池化层组成的过渡层减小特征图的数量；网络输出1664个下采样32倍的7×7特征图，最后经过全局平均池化输出预测类别概率；

(2.3)结合网络的局部感受野、权重绑定和池化策略，使用旋转卷积核参数的方法将旋转不变性编码加进卷积层；卷积核在平面内以中心位置分别旋转0度、45度、90度、135度、180度、225度、270度和315度，得到8个卷积核；在做卷积时，8个卷积核分别对输入特征通道进行卷积，得到8个独立输出特征通道，最后在8个通道图之间做最大池化，作为RPC层输出的最终特征图像；训练时前向过程和普通网络一样，误差反向传播时与最大值池化层一致；在DenseNet网络最后1个密集连接块使用RPC层替换3×3卷积层，学习到旋转不变特征。