[发明专利]一种基于深度学习的乳腺癌超声图像的可解释性识别方法

权利要求书

1.一种基于深度学习的乳腺癌超声图像的可解释性识别方法，其特征在于：包括有以下步骤：

步骤S1：收集乳腺超声图像作为数据集，一部分标注结节区域，生成掩模图像，作为训练集；

步骤S2：将标注好结节的一部分数据集作为训练集训练分割网络；

步骤S3：将结节切割为边界和内核两部分，并将边界和内核切割成若干块；

步骤S4：将切割得到的数据集的一部分作为训练集训练分类网络；

步骤S5：用患者超声图像测试集测试，通过完成训练的分割网络、图像切割和完成训练的分类网络得到若干分类结果；

步骤S6：采用集成学习方式，综合得出判别诊断，获得具有可解释性的辅助诊断结果。

2.根据权利要求1所述的一种基于深度学习的乳腺癌超声图像的可解释性识别方法，其特征在于：所述步骤S1包括有以下步骤：

步骤S11：收集有结节的乳腺超声图像，以及对应良恶性数据；

步骤S12：数据收集完成后，部分由乳腺科超声医生勾画结节，标注结节位置，生成掩模图像，在此基础上，构建结节分割与分类的数据集作为训练集，其余作为测试集。

3.根据权利要求2所述的一种基于深度学习的乳腺癌超声图像的可解释性识别方法，其特征在于：所述步骤S2包括有以下步骤：

步骤S21：分割网络为预训练Unet网络；

步骤S22：训练集和测试集来训练和验证并获取最终的Unet模型；

步骤S23：将上述最终的Unet模型应用于乳腺超声图像的结节的分割。

4.根据权利要求3所述的一种基于深度学习的乳腺癌超声图像的可解释性识别方法，其特征在于：所述步骤S3采用边缘分割法对图像进行分割，包括有以下步骤：

步骤T31：设A(i,j)为掩模图像中的所有像素点，结节的边缘为连通区域，为整个掩模图像上的连通区域的面积函数为area(A)，(X₀,Y₀)为整个连通区域的中点，其计算公式为：

其中，m和n均为大于1的正整数；

步骤T32：根据步骤T31中的连通区域的中点(X₀,Y₀)，根据边缘检测算子对图像中的边缘点进行提取，边缘点函数为h(X₀,Y₀)，其计算公式为：

步骤T33：将提取的边缘点通过边缘闭合技术闭合，得到结节边缘的分割图。

5.根据权利要求3或4所述的一种基于深度学习的乳腺癌超声图像的可解释性识别方法，其特征在于：所述步骤S3还包括有以下步骤：

步骤S31：将结节切割为边界和内核两部分图像，并将边界和内核切割成若干块，分别获得带有边界特征和内核特征的数据集；

步骤S32：其中切割边界方法为：从定位掩模图像左上角第一个像素点，开始切割32×32的像素格，定位包含边界的像素格为原图像边界位置，切割原始图像得到包含边界图像的数据集；

步骤S33：定位不包含边界的像素格为原始图像内核位置，并移动若干像素得到若干内核位置，切割原始图像得到包含内核图像的数据集。

6.根据权利要求4所述的一种基于深度学习的乳腺癌超声图像的可解释性识别方法，其特征在于：所述掩模图像是由分割图像经过二值化得到，利用OTSU算法假设阈值将图像分成了前景和背景两个部分并找到找到最佳阈值。

7.根据权利要求1所述的一种基于深度学习的乳腺癌超声图像的可解释性识别方法，其特征在于：所述步骤S4包括有以下步骤：

步骤S41：分类网络为预训练CNN网络；

步骤S42：训练集和测试集来训练和验证并获取最终的CNN模型；

步骤S43：将上述最终的CNN模型应用于乳腺超声图像子图像的分类。