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技术

本发明专利技术涉及医学图像处理技术，旨在提供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。包括：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；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；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；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。本发明专利技术与使用普通B超图像识别良恶性相比，能够提高良恶性诊断准确率。本发明专利技术可以学习到旋转不变性，在不增加网络计算复杂度情况下，能够提高模型识别准确率。

【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的慢性病分级、占位性病变鉴别诊断等。剪切波弹性图像中包含很多客观的有医学意义的信息，这些信息是肉眼难以发现的，采用深度卷积神经网络(ConvolutionalNeuralNetwork，CNN)在有临床手术病理结果的乳腺结节剪切波弹性图像上进行训练，从临床常规影像学资料中提取出更多信息，随着数据累积和算法优化，结节良恶性识别准确率可以不断提高，对超声乳腺疾病早期检查的开展和普及具有重要意义。深度卷积神经网络可以学习到图像中同类别的共性和不同类别之间的主要差异，网络最后几层输出的高度抽象特征，具有一定的平移、尺度、亮度等不变性，但不具有旋转不变性，导致学习到的特征稳定性不足。在对输入图像做模拟的数据增广时，虽然可以加入随机旋转变换，但参数需要预先设置，而且不同任务参数范围不一样，参数很难调整到最优，不合适的参数范围甚至会降低网络准确性。一般情况下网络越深模型分类准确率越高，但在数据比较少时，模型很容易过拟合，尤其是在超声图像。Dropout是一种简单、有效的防止过拟合的方法，但Dropout会降低网络收敛速度，增加训练时间，同时Dropout百分比对结果影响比较大，需要更多的实验确定最优百分比。
技术实现思路
本专利技术要解决的技术问题是，解决现有技术中的不足，提供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。通过利用已知超声乳腺结节区域和剪切波弹性图像，提高乳腺结节良恶性识别准确率。为解决上述技术问题，本专利技术的解决方案是：提供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，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。本专利技术中，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。本专利技术中，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。本专利技术中，所述步骤(3)包括：(3.1)在乳腺良恶性训练集普通B超图像或剪切波弹性图像上使用数据增强方法，增加数据多样性；对输入图像的每个通道做随机对比度拉伸、亮度值调整和像素值噪声扰动，并以进行水平镜像翻转；(3.2)在结节区域内随机选取坐标点作为中心点，裁剪出224×224的结节掩模图像块，输入网络的第1通道；在经过数据增强后的普通B超图像或剪切波弹性图像对应位置裁剪出224×224的图像块，作为网络的第2、3、4通道的输入，对每个通道采用不同的均值和方差进行归一化；(3.3)以可分离Dropout计算方法按设定的概率对输入层进行随机采样，减少神经元之间的相关性对特征学习的影响，防止过拟合；可分离Dropout计算公式如下：其中l是全连接层，y(l)＝[y1，y2，...，yn]T是l层的输出，1e是d维全1向量，m(l)是l层的d维二值向量，m的每个元素服从独立伯努利随机分布，即mi～Berniulli(p)，l层输出的每个元素以概率p保留，以1-p的概率置为0，y(l)被分离成了和然后分别与l+1层的权重W(l+1)相乘得到z(l+1)，输入激活函数a后计算出l+1层的输出y(l+1)，i表示向量或矩阵中每个元素。选用随机梯度下降法训练网络参数，训练过程中每遍历完一次训练集，就在测试集上做一次预测，最后取在测试集上识别率最高的一次参数，作为良恶性识别模型。本专利技术中，所述步骤本文档来自技高网...

【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