[发明专利]结合边界特征增强和多尺度信息的超声图像分割方法及系统

权利要求书

1.一种结合边界特征增强和多尺度信息的超声图像分割方法，其特征在于，包括如下步骤：

步骤1，获得超声图像训练数据集，对训练数据集中训练图像中病变区域进行标注，得到标注掩膜，利用canny检测器对标注掩膜进行边缘检测，从而获得病变区域的边界图；

步骤2，对训练数据集中的每一张训练图像I进行下采样得到图像J，并将I和J同时输入到改进的特征金字塔网络FPN中进行训练，达到一定的迭代次数，从而预测出对应于I和J的细分割图S_I和粗分割图S_J，并获得训练好的网络模型，所述改进的特征金字塔网络FPN是基于现有的特征金字塔网络框架，并通过边界引导特征增强模块对每个FPN层的特征图进行增强，然后对增强之后的特征图进行上采样和连接操作；最后，通过融合S_I和S_J来得到病变区域的分割结果；

步骤3，给定一张测试超声图像I’，首先对I’进行下采样得到图像J’，并将I’和J’同时输入到训练好的网络模型中，获得对应于I’和J’的细分割图S_I’和粗分割图S_J’，最后通过融合S_I’和S_J’得到病变区域的分割结果。

2.如权利要求1所述的一种结合边界特征增强和多尺度信息的超声图像分割方法，其特征在于：步骤2中边界引导特征增强模块的具体处理过程如下，

给定一张特征图F，首先对F应用3x3的卷积层来获得第一个中间图像X，再应用1x1的卷积层来获得第二个中间图像Y，Y将被用于学习病变区域的边界图B，其中边界图B的获取方式为：对训练图像中病变区域进行标注，得到标注掩膜，利用canny检测器对标注掩膜进行边缘检测，从而获得病变区域的边界图B；

然后，对Y应用3x3的卷积层来获得第三个中间图像Z，并以像素为单元将Z的每个通道与B相乘；最后，连接X和Z，再应用1x1的卷积层来获得增强的特征图的第c个通道计算如下：

其中，f_conv是1x1卷积参数，Z_c是Z的第c个通道，concate表示特征图上的连接操作。

3.如权利要求1所述的一种结合边界特征增强和多尺度信息的超声图像分割方法，其特征在于：步骤2中改进后的特征金字塔网络FPN的总损失函数L的计算如下所示，

L＝D_seg+αD_edge,

其中，D_seg和D_edge分别是分割损失和边界损失，α是用来平衡D_seg和D_edge的参数；D_seg和D_edge的计算公式如下：

其中，G_s和G_e分别是病变区域的标注掩膜和边界图，S_I和S_J分别是对应于I的细分割图和J的粗分割图，S_f是训练图像I的最终分割结果；B_k是第k个边界引导特征增强模块上病变区域的预测边界图，函数包括Dice损失和交叉熵损失，定义如下：

其中Φ_CE和Φ_Dice分别是交叉熵损失函数和Dice损失函数，β是用来平衡Φ_CE和Φ_Dice的参数。

4.如权利要求1所述的一种结合边界特征增强和多尺度信息的超声图像分割方法，其特征在于：所述超声图像为乳腺超声图像。