[发明专利]一种基于关键点学习的乳腺超声影像分类方法

说明书

本发明公开了一种基于关键点学习的乳腺超声影像分类方法，首先将超声影像集预处理，将超声影像训练集划分为m个子集，并训练m‑1个基于神经网络的良恶性预测模型；然后根据BI‑RADS评级标准，给出6个关键点的学习方法，对输入的乳腺超声影像在每个模型上产生BI‑RADS评级的多级分类预测；最后利用投票产生BI‑RADS评级的多级分类预测结果，并调整相应的良恶性概率值，本发明解决了目前基于深度学习的乳腺超声肿瘤识别方法效果与可解释性平衡的技术问题。

技术领域

本发明涉及图像处理领域，具体涉及一种基于关键点学习的乳腺超声影像分类方法。

背景技术

当给定一张乳腺超声图像，医生会首先对图像进行诊断，判定该图像中是否存在肿瘤以及是否是良性或者恶性肿瘤，从而为之后的治疗给出大的方向。现有实现相同功能的技术大致有如下两种：

第一种：基于商业软件中的医疗综合辅助系统给出识别建议。

医疗综合辅助系统大致工作原理如下：商业医疗综合辅助系统的提供方根据自己本地数据，使用多种基于决策的过程判定一张图像是否是良性或者恶性肿瘤，其决策方法一般会根据输入图像基于商业软件提供方自带的手工特征提取，再根据手工特征对特征进行算法上的处理得到结果。

该方法的缺点如下：商业软件非开源的缺点使得对图像的判别和诊断过程不是透明的，对图像的处理无法了解其原理，而且基于多种特征的提取耗费时间，通常判别一张图像需要等待较长时间，并且无法利用新的数据学习新的模式，使得判别水平始终都是同样的，不利于长期使用。

第二种：基于传统的机器学习方法或者深度学习对图像做出识别，利用传统的机器学习法方法需要手动提取特征，常见的图像特征有图像的边缘，图像的明暗等以及方向梯度直方图(HOG)，使用统计信息对图像做出描述和表征，使用这些特征能够一定程度上描述普通的图像，之后再使用传统的机器学习方法或者深度学习做出预测。

该方法的缺点如下：使用传统的手工特征需要大量的工作，一般需要包含该领域内的专家做出指导和说明，而使用手工特征常常和数据本身的特点有关系，而医疗数据往往对应需要专业医师处理数据，使得时间和人力成本较大，但是该方法的缺点是，仅仅给出了某一个类别下的预测结果，而没有给出该种预测下的概率值，通常使用深度学习给出的预测结果不能代表该预测的真实概率值。而一般的医疗辅助系统需要使用较高概率值的预测结果和很可靠的预测结果作为辅助手段，传统方法显然不能满足医疗辅助的核心需求。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于关键点学习的乳腺超声影像分类方法解决了目前基于深度学习的乳腺超声肿瘤识别方法效果与可解释性平衡的技术问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于关键点学习的乳腺超声影像分类方法，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；

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；

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。

进一步地，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。