[发明专利]一种基于FCN和迭代声影校正的乳腺超声图像分割方法

摘要

本发明公开了一种基于FCN和迭代声影校正的乳腺超声图像分割方法，构造了一个全新串联的深度神经网络，该网络以第一个FCN的初步分割结果作为声影校正的初始化分割，可有效地对确定的成本函数进行时初始化，从而获得图像的声影场，进而完成超声图像的声影校正，消除解剖层边缘的模糊和部分解剖层图像质量不佳的问题，提高第二个全卷积连接网络的输入图像的质量，再将校正后灰度均衡的图像输入第二个FCN实现最终的解剖层分割，达到较精确的解剖层分割结果。该乳腺超声分割方法的研究有助于解决超声图像分割的若干科学问题，并对后续计算机辅助病灶检测及诊断有重要帮助，具有重要的科学意义。

主权项

1.一种基于FCN和迭代声影校正的乳腺超声图像分割方法，其特征在于，包括以下步骤，S1、通过第一个全卷积神经网络对乳腺超声图像进行概率预分割，并将预分割结果设置为U＝U0；S2、设置最大迭代次数为k，当前迭代次数为i＝1，并随机初始化基函数系数向量W＝W0和图像域中组织的真实灰度值C＝C0；S3、根据当前的W和U，对C进行校正更新；S4、根据当前的C和U，对W进行校正更新；S5、根据当前的C和W，对U进行校正更新；S6、判断i＝k是否成立，是则进入步骤S7，否则，令i＝i+1，并返回步骤S3；S7、根据最终获得的C、W、U，得到超声图像的声影场B和校正更新后的真实超声图像J(k)；S8、将校正后的真实超声图像J(k)作为第二个全卷积神经网络输入并输出，实现乳腺超声图像的解剖层分割；所述步骤S3到步骤S5中：对C进行校正更新的公式为：Ci＝(Ui‑1Ui‑1T)‑1Ui‑1(Ii‑1‑Wi‑1TG)               (1)对W进行校正更新的公式为：Wi＝(GGT)‑1G(Ii‑CiTUi‑1)                  (2)对U进行校正更新的公式为：Ui＝(2CiCiT)‑1(2Ci(Ii‑WiTG))                 (3)式中，G为声影场中的基函数，I为超声图像，下标i为当前迭代次数，下标i‑1为上一次迭代次数，上标T为转置操作符；其中，超声图像I的计算公式为：I＝WTG+CTU                      (4)所述步骤S7中：所述超声图像的声影场B为：B＝(Wk)TG                       (5)所述真实超声图像J(k)为：J(k)＝I‑B＝I‑(Wk)TG           (6)。