多目标集成式深度神经网络的乳腺X光影像分析方法技术

本发明专利技术涉及一种多目标集成式深度神经网络的乳腺X光影像分析方法。该方法通过分析大量的乳腺X光影像，实现从乳腺X光影像中自动检测出肿块区域；对上述检测出的区域，进一步对肿块边界进行自动提取；最后根据肿块的特征对肿块的性质进行分析，对辅助放射专家判断乳腺X光影像中的肿块的性质有着极大的意义。

Mammography analysis method based on multi-objective integrated depth neural network

【技术实现步骤摘要】
多目标集成式深度神经网络的乳腺X光影像分析方法
本专利技术涉及一种医学图像分析方法，具体地说是一种多目标集成式深度神经网络的乳腺X光影像分析方法。
技术介绍
乳腺癌被认为是全世界最常见的女性癌症之一。2017年公开发表的统计结果将乳腺癌列为所有癌症的高发级别之一，占新发病例的30％左右，死亡病例的14％左右。早发现早治疗是降低乳腺癌患者死亡率的关键。目前，数字X射线乳腺摄影是对早期可疑乳腺肿块和微钙化最可靠的筛查设备。在诊断乳腺异常时，放射专家将可疑肿块分为良性或恶性。但因为乳房X光片的数量巨大，检查乳房X光片的每一个图像的时间和效果也非常有限，所以这项任务对放射科医生来说是一项重大挑战。随着人工智能技术的高速发展，计算机辅助分析已成为放射专家读片时的有力工具。通过计算机辅助分析进行二次读片，可以提高诊断准确率，减少假阳性和假阴性分析结论。在肿块区域提取、边界检测和分类等特定领域，此类乳腺计算机辅助系统都有了较为积极的发展。但是将这三种特定处理进行集成，在一个计算机辅助系统中同时实现区域提取、边界检测和分类，最终给出分析结论的乳腺计算机辅助系统并不多见。
技术实现思路
本专利技术为了解决现有技术中存在的问题，提供一种将区域提取、边界检测和分类进行关联，在传统深度神经网络上对上述三种任务进行集成的乳腺X光影像分析方法。为了达到上述目的，本专利技术提出的技术方案为：一种多目标集成式深度神经网络的乳腺X光影像分析方法，包括如下步骤：步骤一、对乳腺X光影像的尺寸进行调整，并标记出肿块区域信息；将调整好尺寸的乳腺X光影像作为输入，将对应标记的肿块区域信息作为输出，来训练Faster-RCNN网络中对应的参数；步骤二、在肿块区域中标记出肿块边界，构建全分辨率卷积网络；将肿块区域图像作为输入，将对应标记的肿块边界作为输出，来训练全分辨率卷积网络中对应的参数；步骤三、将肿块区域内肿块边界外的像素值设置为0，根据肿块的类别设置类别信息；构建卷积神经网络，将像素值修改后的肿块区域图像作为输入，类别信息作为输出，训练卷积神经网络的参数；步骤四、将待判定且调整好尺寸的乳腺X光影像输入到步骤一中训练好的Faster-RCNN网络中，根据网络的输出获得乳腺肿块的区域信息，从而得到乳腺肿块区域检测结果；步骤五、将步骤四中乳腺肿块区域输入到步骤二中训练完成的全分辨卷积网络中，根据网络的输出获得乳腺肿块的边界区域信息，将区域内肿块边界以外的像素点的值设置为0；步骤六、将步骤五得到的边界区域输入到步骤三中训练完成的卷积网络中，根据网络的输出获得乳腺肿块的类别信息，根据类别信息完成乳腺肿块性质分析的任务。对上述技术方案的进一步设计为：所述步骤一中将乳腺X光影像的尺寸进行调整为416×416像素。所述步骤二中全分辨率卷积网络的网络构架分为编码子网络和解码子网络。所述编码子网络包含8个卷积层和线性整流激活函数层：所述卷积层的第一层和第二层卷积核大小为3×3×64，第三层和第四层卷积核大小为3×3×128，第五层至第六层卷积核大小为3×3×256，第七层至第八层卷积核大小为3×3×512；线性整流激活函数层的线性整流激活函数公式如下：所述解码子网络结构为卷积核为7×7×4096的卷积层、卷积核为1×1×4096的卷积层、卷积核为1×1×2的卷积层、softmax层。所述步骤三中，肿块的类别分为良性和恶性，分别设置为0和1。所述卷积神经网络的网络构架包含5个卷积层、2个池化层以及2个全连接层。所述卷积神经网络的第一层为卷积核大小为7×7×20的卷积层和线性整流激活函数层，第二层为2×2的池化层，第三层为卷积核大小为5×5×64的卷积层和线性整流激活函数层，第四层为2×2的池化层，第五层至第七层均为卷积核大小为3×3×256的卷积层和线性整流激活函数层，第八层和第九层是分别包含1024和4096个节点的全连接层。本专利技术的有益效果为：本专利技术的多目标集成式深度神经网络的乳腺X光影像分析方法，在一个框架内集成了乳腺肿块区域检测，乳腺肿块边界自动提取，乳腺肿块性质分析这三个功能。本专利技术的乳腺X光影像分析方法在复杂的X光影像中自动检测乳腺肿块区域；本专利技术针对乳腺肿块区域较小的问题设计了全分辨率卷积网络，可从乳腺肿块区域中自动提取乳腺肿块的边界，排除边界外的组织干扰，能够较好地提取区域内乳腺肿瘤的边界，为后续分类提供更加直接的图像素材。本专利技术将乳腺肿块性质分析问题转化为图像分类问题，利用深度神经网络在图像分类中的优异性能有效提升乳腺肿块性质分析的置信度。附图说明图1所示为本专利技术乳腺X光影像分析方法的流程图；图2所示为全分辨率卷积网络的结构图；图3所示为判定乳腺肿块性质的深度神经网络的结构图。具体实施方式下面结合附图以及具体实施例对本专利技术进行详细说明。实施例本专利技术的乳腺X光影像分析方法。通过分析大量的乳腺X光影像，实现从乳腺X光影像中自动检测出肿块区域；对上述检测出的区域，进一步对肿块边界进行自动提取；最后根据肿块的特征对肿块的性质进行分析，对辅助放射专家判断乳腺X光影像中的肿块的性质有着极大的意义。本实施例的多目标集成式深度神经网络的乳腺X光影像分析方法，该方法在对大量的乳腺X光影像进行分析基础上，在单一框架内按步骤实现乳腺肿块区域检测、肿块边界自动提取和肿块性质分析。如图1所示，本专利技术的步骤如下：步骤一：基于乳腺X光影像的乳腺肿块区域检测；步骤1.1：将乳腺X光影像的尺寸调整为416×416像素；步骤1.2：在调整好尺寸的乳腺X光影像中标记出肿块区域信息；步骤1.3：将调整好尺寸的乳腺X光影像作为输入，将对应标记的肿块区域信息作为输出，训练Faster-RCNN网络中对应的参数，即深度学习中目标函数中待求的值。步骤二：在步骤一的结果中对肿块边界进行自动提取；步骤2.1：在上述检测出的肿块区域中手动标记出肿块边界，做为训练样本集；步骤2.2：构建全分辨率卷积网络，结合图2所示，其网络构架分为编码子网络和解码子网络。编码子网络包含8个卷积层和线性整流激活函数层：第一层和第二层卷积核大小为3×3×64，第三层和第四层卷积核大小为3×3×128，第五层至第六层卷积核大小为3×3×256，第七层至第八层卷积核大小为3×3×512。线性整流激活函数公式如下：解码子网络结构为卷积核为7×7×4096的卷积层、卷积核为1×1×4096的卷积层、卷积核为1×1×2的卷积层、softmax层。步骤2.3：将训练集中的乳腺肿块区域图像作为输入，将对应标记的肿块边界作为输出，训练步骤2.2中的全分辨率卷积网络中对应的参数.步骤三：根据肿块边界提取结果，对肿块性质进行自动分析；步骤3.1：根据上述乳腺肿块边界自动检测结果，将区域内肿块边界外的像素值设置为0；步骤本文档来自技高网...

【技术保护点】
1.一种多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于，包括如下步骤：/n步骤一、对乳腺X光影像的尺寸进行调整，并标记出肿块区域信息；将调整好尺寸的乳腺X光影像作为输入，将对应标记的肿块区域信息作为输出，来训练Faster-RCNN网络中对应的参数；/n步骤二、在肿块区域中标记出肿块边界，构建全分辨率卷积网络；将肿块区域图像作为输入，将对应标记的肿块边界作为输出，来训练全分辨率卷积网络中对应的参数；/n步骤三、将肿块区域内肿块边界外的像素值设置为0，根据肿块的类别设置类别信息；构建卷积神经网络，将像素值修改后的肿块区域图像作为输入，类别信息作为输出，训练卷积神经网络的参数；/n步骤四、将待判定且调整好尺寸的乳腺X光影像输入到步骤一中训练好的Faster-RCNN网络中，根据网络的输出获得乳腺肿块的区域信息，从而得到乳腺肿块区域检测结果；/n步骤五、将步骤四中乳腺肿块区域输入到步骤二中训练完成的全分辨卷积网络中，根据网络的输出获得乳腺肿块的边界区域信息，将区域内肿块边界以外的像素点的值设置为0；/n步骤六、将步骤五得到的边界区域输入到步骤三中训练完成的卷积网络中，根据网络的输出获得乳腺肿块的类别信息，根据类别信息完成乳腺肿块性质分析的任务。/n...

【技术特征摘要】
1.一种多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于，包括如下步骤：
步骤一、对乳腺X光影像的尺寸进行调整，并标记出肿块区域信息；将调整好尺寸的乳腺X光影像作为输入，将对应标记的肿块区域信息作为输出，来训练Faster-RCNN网络中对应的参数；
步骤二、在肿块区域中标记出肿块边界，构建全分辨率卷积网络；将肿块区域图像作为输入，将对应标记的肿块边界作为输出，来训练全分辨率卷积网络中对应的参数；
步骤三、将肿块区域内肿块边界外的像素值设置为0，根据肿块的类别设置类别信息；构建卷积神经网络，将像素值修改后的肿块区域图像作为输入，类别信息作为输出，训练卷积神经网络的参数；
步骤四、将待判定且调整好尺寸的乳腺X光影像输入到步骤一中训练好的Faster-RCNN网络中，根据网络的输出获得乳腺肿块的区域信息，从而得到乳腺肿块区域检测结果；
步骤五、将步骤四中乳腺肿块区域输入到步骤二中训练完成的全分辨卷积网络中，根据网络的输出获得乳腺肿块的边界区域信息，将区域内肿块边界以外的像素点的值设置为0；
步骤六、将步骤五得到的边界区域输入到步骤三中训练完成的卷积网络中，根据网络的输出获得乳腺肿块的类别信息，根据类别信息完成乳腺肿块性质分析的任务。


2.根据权利要求1所述多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于：所述步骤一中将乳腺X光影像的尺寸进行调整为416×416像素。


3.根据权利要求1所述多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于：所述步骤二中全分辨率卷积网络的网络构架分为编码子网络和解码子网...

【专利技术属性】
技术研发人员：顾升华，朱节中，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32