一种乳腺X线图像中肿块分割的方法和系统技术方案

本发明专利技术提供了一种乳腺X线图像中肿块分割的方法和系统，其方法包括：读取乳腺X线图像，从中提取感兴趣区域，得到对应的原始图像；从原始图像中减去灰度分布趋势平面，得到增强图像；通过模板图像对增强图像进行滤波得到预处理图像；根据原始图像和预处理图像构成多通道输入图像；根据多通道输入图像形成训练数据集；构建全卷积神经网络模型，利用训练数据集对全卷积神经网络模型进行多尺度特征学习训练，得到乳腺肿块分割模型；通过乳腺肿块分割模型对待分割图像进行处理，得到对应的肿块分割图像。本发明专利技术通过多通道输入原始图像和具有显著肿块外观的预处理图像，然后再进行多尺度处理，从而得到精度更高的肿块分割图像。

【技术实现步骤摘要】
一种乳腺X线图像中肿块分割的方法和系统
本专利技术涉及机器学习和数字医学图像处理与分析领域，尤指一种乳腺X线图像中肿块分割的方法和系统。
技术介绍
在乳腺癌的治疗方法中，早期诊断和早期治疗被认为是提高乳腺癌生存率的主要方法。由于乳房X线检查是乳腺癌早期检测和诊断的标准技术之一，乳腺X线图像中肿块的自动分割对于进一步的定量和定性分析至关重要。然而，由于乳腺X线图像是二维投影图像，当周围的乳腺结构与肿块强度分布相似时，很难清晰地识别肿块，并且肿块可能存在形状不规则、对比度低、大小不一等情况，因此X线照片中肿块分割仍具有相当的挑战性。乳腺X线图像肿块分割相关研究较多。这些研究提出的方法可以分为两大类：传统的分割方法和基于深度学习的方法。传统方法可以进一步分为基于区域的方法、基于边缘的方法和混合方法。基于区域的乳腺肿块分割方法主要包括区域增长算法、分水岭变换和形态滤波方法等。这些方法通过检测出满足乳腺肿块特征的区域达到肿块分割的目的。在基于边缘的方法中，活动轮廓模型和动态规划是两种常用的乳腺肿块分割方法。这些方法通过优化预定义的能量函数来寻找表示乳腺肿块边缘的最优路径。当只使用其中一种方法进本文档来自技高网...

【技术保护点】
1.一种乳腺X线图像中肿块分割的方法，其特征在于，包括：读取乳腺X线图像；从所述乳腺X线图像中提取感兴趣区域，得到所述感兴趣区域的原始图像；从所述原始图像中减去灰度分布趋势平面，得到增强图像；通过模板图像对所述增强图像进行滤波得到预处理图像；根据所述原始图像和对应的所述预处理图像构成多通道输入图像；根据所述多通道输入图像形成训练数据集；构建全卷积神经网络模型，利用所述训练数据集对所述全卷积神经网络模型进行多尺度特征学习训练，得到乳腺肿块分割模型，所述全卷积神经网络模型由收缩路径和扩张路径构成；通过所述乳腺肿块分割模型对待分割图像进行处理，得到对应的肿块分割图像。

【技术特征摘要】
1.一种乳腺X线图像中肿块分割的方法，其特征在于，包括：读取乳腺X线图像；从所述乳腺X线图像中提取感兴趣区域，得到所述感兴趣区域的原始图像；从所述原始图像中减去灰度分布趋势平面，得到增强图像；通过模板图像对所述增强图像进行滤波得到预处理图像；根据所述原始图像和对应的所述预处理图像构成多通道输入图像；根据所述多通道输入图像形成训练数据集；构建全卷积神经网络模型，利用所述训练数据集对所述全卷积神经网络模型进行多尺度特征学习训练，得到乳腺肿块分割模型，所述全卷积神经网络模型由收缩路径和扩张路径构成；通过所述乳腺肿块分割模型对待分割图像进行处理，得到对应的肿块分割图像。2.根据权利要求1所述的乳腺X线图像中肿块分割的方法，其特征在于，根据所述原始图像和对应的所述预处理图像构成多通道输入图像之后，根据所述多通道输入图像形成训练数据集之前还包括：通过数据增强策略根据所述多通道输入图像生成扩增图像，所述数据增强策略包括在水平方向翻转图像、在垂直方向翻转图像、将图像旋转90度、将图像旋转180度、将图像旋转270度以及对图像进行一种或多种随机弹性形变；根据所述多通道输入图像形成训练数据集具体包括：根据所述多通道输入图像和所述扩增图像形成训练数据集。3.根据权利要求2所述的乳腺X线图像中肿块分割的方法，其特征在于，随机弹性形变具体包括：生成和所述多通道输入图像具有相同像素大小的形变场；利用高斯滤波器对所述形变场进行平滑处理；通过进行平滑处理之后的形变场对所述多通道输入图像进行滤波处理得到经过弹性形变之后的扩增图像。4.根据权利要求1所述的乳腺X线图像中肿块分割的方法，其特征在于，从所述原始图像中减去灰度分布趋势平面，得到增强图像具体包括：根据所述原始图像拟合出所述灰度分布趋势平面：z＝f(x,y)＝a0x+a1y+a2(1)，其中，x、y为所述原始图像的坐标，z为所述原始图像中坐标为x和y的像素点的灰度值，所述公式(1)中的系数a0、a1和a2应满足公式(2)的条件：其中，n表示所述原始图像的像素数，在所述公式(2)中分别关于a0、a1和a2对S求偏导数得到公式(3)：求解公式(3)得到a0、a1和a2的值；将所述灰度分布趋势平面从所述原始图像中减去，得到所述增强图像。5.根据权利要求1所述的乳腺X线图像中肿块分割的方法，其特征在于，通过模板图像对所述增强图像进行滤波得到预处理图像具体包括：定义所述模板图像，将所述模板图像的中心定义为坐标原点，其中，T(x,y)是所述模板图像中坐标为x和y的像素点的灰度值，β为所述模板图像的灰度值的变化速率参数，e为自然常数；通过模板图像对所述增强图像进行滤波得到所述预处理图像。6.根据权利要求1所述的乳腺X线图像中肿块分割的方法，其特征在于，构建全卷积神经网络模型，利用所述训练数据集对所述全卷积神经网络模型进行多尺度特征学习训练，得到乳腺肿块分割模型，所述全卷积神经网络模型由收缩路径和扩张路径构成具体包括：构建所述全卷积神经网络模型；当利用所述训练数据集对所述全卷积神经网络模型进行多尺度特征学习训练只进行一次多尺度特征学习时，选取所述训练数据集中任意一幅多通道输入图像作为训练样本；对所述训练样本进行一次多尺度特征学习，所述多尺度特征学习包括：对所述训练样本进行卷积操作得到卷积特征图，对所述卷积特征图进行池化得到第一尺度特征图；对所述训练样本先进行池化再进行卷积操作得到第二尺度特征图，所述卷积操作为先卷积后归一化最后修正线性单元激活；根据所述第一尺度特征图和所述第二尺度特征图得到多尺度特征图；对所述多尺度特征图先进行卷积操作再进行反卷积操作得到反卷积特征图，所述反卷积操作为先进行反卷积再进行修正线性单元激活；根据所述卷积特征图和所述反卷积特征图得到综合特征图；对所述综合特征图先进行卷积操作再进行卷积得到所述训练样本对应的多通道特征图；根据所述多通道特征图得到对应的训练肿块分割图像；将利用预设数量的训练样本同时对所述全卷积神经网络模型进行训练得到对应的预设数量的训练肿块分割图像记为一次训练；每次训练之后对得到的预设数量的训练肿块分割图像进行评估得到分割精度；根据所述分割精度调整优化所述全卷积神经网络模型中的参数；当训练次数达到预设次数时，结束训练，将最后一次...

【专利技术属性】
技术研发人员：徐胜舟，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：湖北,42