[发明专利]一种乳腺癌图像信息瓶颈多任务分类和分割方法及系统

说明书

本发明属于医学影像处理技术领域，提供了一种乳腺癌图像信息瓶颈多任务分类和分割方法及系统。其中，该方法包括获取对比增强X线摄影的若干个乳腺图像及对应的良恶性类别和肿块位置像素级标注；对获取的每个对比增强X线摄影的乳腺图像进行预处理操作；采用多任务网络对预处理后的每张乳腺图像提取多任务的共享表示；将共享表示输入到分类编码器上，得到了中间层的编码张量，再将中间编码张量送入信息瓶颈归因模块进行特征压缩并进行良恶性分类，得到分类任务张量；将共享表示适应到分割网络上得到分割任务张量；将分类任务张量和分割任务张量进行特征融合，用于病灶的分割。

技术领域

本发明属于医学影像处理技术领域，尤其涉及一种乳腺癌图像信息瓶颈多任务分类和分割方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

乳腺癌的早期发现和诊断是提高生存率和疗效的关键。定期进行身体检查和筛查有助于早期发现乳房肿块和可疑病变。乳房X线照相术是一种常用的乳腺癌筛查方法，通过早期发现癌症，显着地有助于降低乳腺癌的死亡率。基于放射科医生的位置以及图像中病变的分析能够确定乳腺癌，但这导致诊断结果受主观因素和临床诊断差异的影响。最近，机器学习(尤其是深度学习)的飞速发展激发了医学影像界对应用这些技术来提高癌症筛查准确性的兴趣。已经开发了计算机辅助检测和诊断(CAD)系统，以帮助放射科医生提高乳房X线照相术的预测准确性。最近的研究表明，基于深度学习的CAD系统在独立模式下的表现与放射线医生一样好，并改善了放射线医生的诊断准确率。

当前的多任务协同学习方法在许多领域都取得了显著成果，但是任务关联的可解释性一直是一个有争议的问题。尽管近年来已广泛应用，但是用于多任务的深度学习模型仍然是黑盒模型，尚无全面的理论理解可以充分解释其及其内部组织结构。发明人发现，目前对于乳腺癌图像的精准分类和分割的可解释性问题，尚缺乏行之有效的解决方案。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种乳腺癌图像信息瓶颈多任务分类和分割方法及系统，其结合了信息瓶颈归因用于乳腺癌图像的良恶性分类和图像中的病灶分割，能够提高分类和分割的精度并改善模型的可解释性。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种乳腺癌图像信息瓶颈多任务分类和分割方法。

一种乳腺癌图像信息瓶颈多任务分类和分割方法，包括：

获取对比增强X线摄影的若干个乳腺图像及对应的良恶性类别和肿块位置像素级标注；

对获取的每个对比增强X线摄影的乳腺图像进行预处理操作；

采用多任务网络对预处理后的每张乳腺图像提取多任务的共享表示；

将共享表示输入到分类编码器上，得到了中间层的编码张量，再将中间编码张量送入信息瓶颈归因模块进行特征压缩并进行良恶性分类，得到分类任务张量；

将共享表示适应到分割网络上得到分割任务张量，将分类任务张量和分割任务张量进行特征融合，用于病灶的分割。

本发明的第二个方面提供一种乳腺癌图像信息瓶颈多任务分类和分割系统。

一种乳腺癌图像信息瓶颈多任务分类和分割系统，包括：

数据获取模块，其被配置为：获取对比增强X线摄影的若干个乳腺图像及对应的良恶性类别和肿块位置像素级标注；

数据预处理模块，其被配置为：对获取的每个对比增强X线摄影的乳腺图像进行预处理操作；

共享特征提取模块，其被配置为：采用多任务网络对预处理后的每张乳腺图像提取多任务的共享表示；