【技术实现步骤摘要】
基于深度学习的剪切波弹性图鉴别乳腺结节良恶性的方法
本专利技术关于医学图像处理
,特别涉及基于深度卷积神经网络的剪切波弹性图像识别乳腺结节良恶性的方法。
技术介绍
随着乳腺恶性肿瘤发病率逐年提高,乳腺检查已经成为女性体检中必不可少的一项检查项目,目前的乳腺检查主要以超声及钼靶检查为主,但钼靶检查存在X射线辐射及检查方式较为痛苦等因素,因此超声以其独特的检查特性位列乳腺检查首选。常规乳腺检查以二维、彩色多普勒等检查手段为主,主要观察病灶的形态、边界、内部回声及血供等,后来超声弹性成像的出现为检查提供了更加明确的质地信息,组织弹性的改变与病理有关,组织间的弹性差异远大于声阻抗的差异,应用这种显著差异,可以对组织良恶性进行更精确的鉴别诊断。传统弹性成像应用外力(手动加压、心跳、呼吸、脉搏)作用于被检组织,观察被检组织的应变情况,压力的大小会直接影响最终弹性的结果,人为因素较大、重复性较差、无具体硬度值。点式剪切波弹性成像使用探头发射推力脉冲波(纵波)作用于组织,引起组织形变并产生剪切波(横波),计算剪切波速度以换算组织硬度,可以直接显示被检组织的硬度值,但是点式剪切波弹性成像是非实时的,取样容积大小不可调,取样深度受限,测量重复性差。实时剪切波弹性成像(E-成像)通过探头发射推力脉冲波以马赫圆锥的形式进行多点连续聚焦作用于被检组织,并以极速成像平台高速捕获剪切波的传播过程及组织的形变信息,进而实时、全幅、全定量的显示组织质地信息(杨氏模量值,Kpa),避免了操作者人为因素影响,重复性更好,可应用于全身各个器官 ...
【技术保护点】
1.一种基于深度学习的剪切波弹性图鉴别乳腺结节良恶性的方法,其特征在于,包括以下步骤:/n(1)收集有结节的超声乳腺普通B超图像和剪切波弹性图像的病例数据,根据病理结果构建良恶性分类数据集;/n(2)选择基础网络结构,使用旋转池化卷积层替换部分卷积层,构建良恶性识别网络结构;/n(3)网络输入增加结节掩模信息,在训练集上进行数据增强,训练过程中使用可分离Dropout计算提高模型泛化能力;/n(4)输入测试图像,进行多图像块和多模型测试评价模型性能,对图像进行乳腺结节良恶性判断。/n
【技术特征摘要】
1.一种基于深度学习的剪切波弹性图鉴别乳腺结节良恶性的方法,其特征在于,包括以下步骤:
(1)收集有结节的超声乳腺普通B超图像和剪切波弹性图像的病例数据,根据病理结果构建良恶性分类数据集;
(2)选择基础网络结构,使用旋转池化卷积层替换部分卷积层,构建良恶性识别网络结构;
(3)网络输入增加结节掩模信息,在训练集上进行数据增强,训练过程中使用可分离Dropout计算提高模型泛化能力;
(4)输入测试图像,进行多图像块和多模型测试评价模型性能,对图像进行乳腺结节良恶性判断。
2.根据权利要求1所述的方法,其特征在于,所述步骤(1)包括:
(1.1)收集有结节的超声乳腺普通B超图像和剪切波弹性图像的病例数据,以病例为单位,将普通B超图像和剪切波弹性图像一一对应;
(1.2)根据手术病理结果划分良恶性;对于多结节情况,明确每个结节的病理结果;
(1.3)裁剪图像上非超声区域,勾画结节位置,生成结节掩模图像;
(1.4)以病例为单位,按照三交叉划分训练集和测试集。
3.根据权利要求1所述的方法,其特征在于,所述步骤(2)包括:
(2.1)选取DenseNet作为基础网络结构;
(2.2)构建169层DenseNet网络结构,网络输入图像大小224×224,修改输入特征通道数为4;首先经过7×7卷积和3×3最大池化得到64个下采样2倍的112×112特征图,然后依次经过4个增长率是32的密集连接块,每个密集连接块分别由6、12、32、32个使用了1×1卷积降低特征通道的3×3卷积层稠密连接组成,密集连接块之间使用由批量归一化层、1×1卷积层和2×2平均池化层组成的过渡层减小特征图的数量;网络输出1664个下采样32倍的7×7特征图,最后经过全局平均池化输出预测类别概率;
(2.3)结合网络的局部感受野、权重绑定和池化策略,使用旋转卷积核参数的方法将旋转不变性编码加进卷积层;卷积核在平面内以中心位置分别旋转0度、45度、90度、135度、180度、225度、270度和315度,得到8个卷积核;在做卷积时,8个卷积核分别对输入特征通道进行卷积,得到8个独立输出特征通道,最后在8个通道图之间做最大池化,作为RPC层输出的最终特征图像;训练时前向过程和普通网络一样,误差反向传播时与最大值池化层一致;在DenseNet网络最后1个密集连接块使用RPC层替换3×3卷积层,学习到旋转不变特征。
4.根据...
【专利技术属性】
技术研发人员:王守超,
申请(专利权)人:浙江德尚韵兴医疗科技有限公司,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。