[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

说明书

本发明涉及乳腺癌识别技术领域，特别涉及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，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；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；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；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；S5：用患者超声图像测试集测试，并得到若干分类结果；S6：采用集成学习方式，得出判别诊断，本发明对乳腺超声图像进行自动分割与切割得到大量具有边界特征和内部回声均匀度特征的图像，通过分类和集成学习算法，训练较少的超声图像就能获得传统方法训练大量超声图像得到了准确率。

技术领域

本发明涉及乳腺癌识别技术领域，特别涉及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。

背景技术

乳腺癌是发生在乳腺上皮组织的恶性肿瘤，已成为威胁妇女健康的主要病因。乳腺癌中99％发生在女性，男性仅占1％。发病机制主要包括遗传因素，基因突变，机体免疫功能下降，神经功能状况等。乳腺癌的早期症状为肿块和局部皮肤改变，随着病情发展，晚期可能表现出局部及全身症状主要表现为乳头溢液、糜烂或皮肤凹陷等。目前国际、国内的乳癌病理分类，在实际应用中仍未统一，国内多采用的病理分型为非浸润性癌，早期浸润性癌，浸润性癌和其它罕见癌。全球乳腺癌新发病例高达226万例，成为全球第一大癌。我国城市中乳腺癌的死亡率增长了38.91％，乳腺癌发病率位居大城市女性肿瘤的第一位。国外的乳腺癌患者随着年龄增加而增加，一般在65～70岁达到高峰。在我国，乳腺癌发病呈现两个高峰：第一个出现在45-55岁之间，另一个出现在70-74岁之间。从年龄分布上看，乳腺癌发病率从30岁开始逐渐升高，并于55岁年龄组达到高峰，50岁以下的女性患者约占40％。

目前，对乳腺癌病理图像辅助诊断的研究主要有手工提取特征的传统图像处理和基于深度学习的图像处理两种方法。传统图像处理方法需要人工提取图像特征，存在人工提取特征过程复杂度高、测试识别准确度低和泛化能力差等问题。深度学习有着极强的特征自动抽取能力，可以解决传统机器学习对手工提取特性的依赖。而大部分深度学习方法的基本架构都是在端到端的模式下、通过标注大量数据来进行误差后向传播的方式来优化参数，这种学习方法解释性较弱，使得大多依赖大量的工程经验和技巧。可解释性指算法要对特定任务给出清晰概括，并与人类世界中已定义的原则或原理联结。在医疗决策这样的高风险领域，利用深度学习进行重大决策时，往往需要知晓算法所给出结果的依据，如判定结果是基于病人哪些因素的考虑。因此，透明化深度学习的黑盒子，使其具有可解释性，具有重要意义。本文着重研究基于深度学习的乳腺癌超声图像识别，根据可解释分析结果判断结节的良恶性。

发明内容

本发明的目的在于针对现有技术的不足，提供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。

为解决上述问题，本发明提供以下技术方案：

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。

进一步的，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；