[发明专利]一种基于关键点学习的乳腺超声影像分类方法

权利要求书

1.一种基于关键点学习的乳腺超声影像分类方法，其特征在于，包括以下步骤：

S1、采集乳腺超声图像，并对每一张乳腺超声图像进行预处理和良恶性标注，得到乳腺超声图像集；

S2、将乳腺超声图像集划分为多个子集，并采用多个子集训练和验证多个良恶性预测神经网络模型，并基于良恶性预测神经网络模型，得到多个本地测试集的良恶性概率；

步骤S2包括以下分步骤：

S21、将乳腺超声图像集划分为1至m个子集和本地测试集；

S22、将第k个子集作为验证集，将剩余子集作为训练集，构建第k个训练验证对，得到m个训练验证对，采用第k个训练验证对训练并验证第k个良恶性预测神经网络模型，得到训练完成的m个良恶性预测神经网络模型；

S23、采用本地测试集对训练完成的m个良恶性预测神经网络模型进行测试，得到m个本地测试集的良恶性概率其中，1≤k≤m；

S3、根据每一个本地测试集的良恶性概率和BI-RADS标准，构建恶性概率点集中6个概率关键点，计算乳腺超声图像的类别；

步骤S3包括以下分步骤：

S31、对m个本地测试集的良恶性概率进行排序，根据每一个排序后的良恶性概率和BI-RADS标准，设定乳腺超声图像的评级为BI＝{3，4a，4b，4c，5}记为{c₁，c₂，c₃，c₄，c₅}，其每一个级别对应的恶性概率点集B＝{0％，2％，10％，50％，95％，100％}；

S32、根据恶性概率点集B＝{0％，2％，10％，50％，95％，100％}，计算边界概率值校准函数Z(b_i)：

步骤S32中计算边界概率值校准函数Z(b_i)的公式为：

V＝{s₁，…，s_t}，b_i∈B

其中，边界概率值校准函数Z(b_i)为恶性概率点集B中对应的6个概率关键点，为对应2％的关键点，为对应10％的关键点，为对应95％的关键点，i＝0，1，2，3，4，5，k₁为预测为3类子集V₁中样本数的最大值，k₂为预测为4a类子集V₂中样本数的最大值，k₃预测为5类子集V₅中样本数的最大值，V₁、V₂和V₃为V的子集，V为验证集，{s₁，…，s_t}为验证集V中的t个乳腺超声影像样本，为预测为3类的样本子集，为预测为4a类的样本子集，为预测为5类的样本子集，为V₁中恶性肿瘤的比例，为V₂中恶性肿瘤的比例，为V₃中恶性肿瘤的比例，b_i为恶性概率点集B中的元素；

S33、根据本地测试集的良恶性概率在边界概率值校准函数Z(b_i)中所处的范围，得到乳腺超声图像的类别c_i；

S4、根据乳腺超声图像的类别，利用投票产生BI-RADS评级的多级分类预测结果，并调整相应的乳腺肿瘤的恶性概率值，并基于乳腺肿瘤的恶性概率值，得到乳腺超声影像BI-RADS分类结果；

步骤S4包括以下分步骤：

S41、根据每一个良恶性预测神经网络模型和每一个本地测试集的良恶性概率对乳腺超声图像的类别进行投票，将投票率高的类别作为BI-RADS评级预测结果

S42、根据BI-RADS预测结果计算乳腺肿瘤的恶性概率值；

所述步骤S42中计算乳腺肿瘤的恶性概率值的公式为：

其中，为乳腺肿瘤的恶性概率值，为投票后与投票结果一致的模型的恶性概率值的平均结果，为本地测试集中样本被预测为BI-RADS评级时对应的恶性率上界，为本地测试集中样本被预测为BI-RADS评级时对应的恶性率下界；

S43、根据乳腺肿瘤的恶性概率值，得到乳腺超声影像BI-RADS分类结果。

2.根据权利要求1所述的基于关键点学习的乳腺超声影像分类方法，其特征在于，所述步骤S1包括以下分步骤：

S11、采集乳腺超声图像，对乳腺超声图像进行图像大小统一和图像的肿瘤部位截取的预处理工作，得到预处理后的乳腺超声图像；

S12、对预处理后的乳腺超声图像进行良恶性标注，得到乳腺超声图像集。