[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

说明书

本发明公开了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及系统。给定一张乳腺超声图像I，首先对I进行下采样得到图像J，并将I和J同时输入到特征金字塔网络中，得到一组具有不同空间分辨率的特征图。然后，通过学习乳腺病变区域的边界图，开发一个边界引导特征增强模块来增强每个FPN层的特征图。接着，对增强之后的特征图进行上采样和连接操作，并预测出对应于I和J的细分割图S_I和粗分割图S_J。最后，为了利用不同尺度的图像信息，通过融合S_I和S_J来得到乳腺病变的分割结果。通过将增强的边界特征和多尺度图像信息结合到一个统一的框架，该方法能够从超声图像中准确分割出乳腺病变区域，并有效去除各种成像伪影造成的错误检测区域。

技术领域

本发明属于图像处理领域，涉及一种超声图像分割方法，特别是涉及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及系统。

背景技术

乳腺癌是女性最常见的癌症，其中超声检查因具有多种优点，如安全性、灵活性和通用性等，已成为一种非常有吸引力的乳腺病变检测和分析影像学方法。然而，由于超声图像难以理解，且乳腺病变区域的定量测量是一件繁琐和困难的任务，基于超声成像的乳腺病变临床诊断通常需要训练有素和经验丰富的放射科医生来操作。因此，乳腺病变区域的自动定位将极大促进临床检测和分析的过程，使诊断更有效率，并获得更高的灵敏度和特异度。不幸的是，由于强烈的成像伪影，如斑点噪声、低对比度和亮度不均匀性，从超声图像中准确地分割乳腺病变是非常具有挑战性的。有关超声图像的一些样本，请参阅图1；

在历史文献中，超声图像的乳腺病变分割算法已经被广泛研究。早期方法主要通过手工特征构造分割模型来推断乳腺病变区域的边界，这些方法可以分为三大类，即区域生长方法，可变形模型，还有图形模型。

区域生长方法从一组手动或自动选择的种子开始，根据预定义的生长规则，这些种子逐步扩展以捕获目标区域的边界。Shan等人开发了一种高效的方法来自动生成感兴趣区用于乳腺病变区域的分割，Kwak等人利用轮廓线的平滑性和区域的相似性(平均强度和大小)来定义生长规则。

可变形模型首先构造一个初始模型，然后根据内部能量和外部能量对模型进行变形以达到物体边界。Madabhushi等人利用边界点来初始化可变形模型，并采用来气球力来定义外能量，chang等人先使用棒状滤波器来去除超声图像中的斑点噪声，然后对模型进行变形以分割乳腺病变区域。

图形模型通过使用马尔可夫随机域或图割框架进行有效的能量优化来实现乳腺病变区域的分割。Chiang等人使用一个预先训练好的概率增强树分类器来确定图割能量的数据项，Xian等人通过建立频域和空间域信息的模型来定义能量函数。虽然很多先验模型已经被设计出来辅助乳腺病变区域的分割，但这些方法没有足够的能力来获取高层语义特征以识别模糊区域中的弱边界，导致低对比度超声图像中容易发生边界泄漏。

与之相反，基于学习的方法利用一组手动设计的特征来训练分类器，然后用这些分类器来执行分割任务。Liu等人提取18个局部图像特征来训练SVM分类器，并用来分割乳腺病变区域。Jiang等人使用24个的类Harr特征和训练好的Adaboost分类器来进行乳腺肿瘤分割。近年来，卷积神经网络在许多医学应用中已经取得了非常好的效果，它通过构建一系列深度卷积层从标记数据中学习高层语义特征。目前，一些卷积神经网络框架已经被开发用于从超声图像中分割乳腺病变区域。例如，Yap等人调研了三个网络用于乳腺病变检测的性能，包括基于块的LeNet，U网络和结合预先训练的FCN-AlexNet的迁移学习方法。Lei等人提出一种具有深度边界监督和自适应域传输的深度卷积编解码网络用于乳腺解剖层的分割。Hu等人将一个膨胀的完全卷积网络和主动轮廓模型结合起来分割乳腺肿瘤。尽管基于卷积神经网络的方法提高了低对比度超声图像中乳腺病变分割的性能，但它们仍然会受到斑点噪声和亮度不均匀等伪影的影响，而这些伪影又经常出现在临床应用中，因此会产生不准确的分割结果。

发明内容