[发明专利]一种基于深度学习的DBT微钙化簇良恶性分类方法和装置

说明书

本发明涉及人工智能技术领域，具体涉及一种基于深度学习的DBT微钙化簇良恶性分类方法和装置。其中，方法包括：获取样本DBT数据，样本DBT数据包括样本DBT图像以及每个样本DBT图像所对应的DBT微钙化簇良恶性分类；根据样本DBT数据以及随机梯度下降方法训练分类神经网络，得到训练后的分类神经网络；分类神经网络融合有二维神经网络和三维神经网络，二维神经网络的输出特征和三维神经网络的输出特征经过全局平均池化之后拼接得到特征向量，此后通过全连接层和分类层得到每个样本DBT数据所对应的DBT微钙化簇良恶性分类；解决了现有技术中分类不准确的问题，达到了可以通过深度神经网络进行分类，进而提高微钙化簇良恶性分类的准确度的效果。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于深度学习的DBT微钙化簇良恶性分类方法和装置。

背景技术

医学图像的良恶性分类是医学图像分析的基本任务，即对病灶区域的轻重程度进行鉴别。乳腺癌是女性癌症中发病率和死亡率最高的癌症，而早期诊断和治疗可以改善乳腺癌的预后。微钙化簇是乳腺癌的重要早期特征，对乳腺癌的早期筛查具有重要意义。目前关于微钙化簇的良恶性分类研究多集中在DM(Digital Mammography)上，但二维成像的图像，缺乏层次感，且容易造成病灶与致密腺体组织重叠的问题。DBT(Digital BreastTomosynthesis)是一种三维成像，通过获取有限角度的低剂量乳房X线图像重建三维乳房数据，克服了DM由于组织重叠而影响病变观察的问题，提高分类性能。

然而，DBT中微钙化簇的诊断仍然存在一些挑战。首先，DBT具有各向异性分辨率的特点。它的片内分辨率和片间分辨率有很大的不同。此外，非焦点切片中的MCs是模糊的，焦点片可能包含更多的代表性信息。

发明内容

有鉴于此，本发明实施例提供了一种基于深度学习的DBT微钙化簇良恶性分类方法和装置，以解决现有技术中分类不准确的问题。

根据第一方面，本发明实施例提供了一种基于深度学习的DBT微钙化簇良恶性分类方法，所述方法包括：

获取样本DBT数据，所述样本DBT数据包括样本DBT图像以及每个样本DBT图像所对应的DBT微钙化簇良恶性分类；

根据所述样本DBT数据以及随机梯度下降方法训练分类神经网络，得到训练后的所述分类神经网络，训练后的所述分类神经网络用于确定目标DBT图像所对应的目标DBT微钙化簇良恶性分类；所述分类神经网络融合有二维神经网络和三维神经网络，所述二维神经网络的输出特征和所述三维神经网络的输出特征经过全局平均池化之后拼接得到特征向量，此后通过全连接层和分类层得到每个样本DBT数据所对应的DBT微钙化簇良恶性分类；所述二维神经网络用于提取焦点切片特征，所述三维神经网络用于提取三维空间特征，所述三维神经网络采用各向异性卷积核进行特征提取。

可选的，所述二维神经网络的第一层和第四层之后设置有双重注意力模块，所述双重注意力模块包括位置注意力模块和通道注意力模块，所述位置注意力模块用于获取特征图在任意两个位置之间的空间位置关系，所述通道注意力模块用于获取任意两个通道图之间的通道关系。

可选的，所述三维神经网络包括Residual模块和Context模块，所述Residual模块用于提取层内特征，所述Context模块用于提取层间特征。

可选的，所述三维神经网络包括两个Residual模块和两个Context模块，第一个Residual模块的输出作为第二个Residual模块和第一个Context模块的输入，将第二个Residual模块的输出作为第二个Context模块的输入，两个Context模块的输出经过全局平均池化后进行拼接融合，得到融合后的特征向量。

可选的，在训练所述分类神经网络时，采用焦点损失函数对所述分类神经网络进行训练。

可选的，所述焦点损失函数为：