基于注意力增强U型网络的超声乳腺肿瘤自动分割方法技术

本发明专利技术公开了一种基于注意力增强U型网络的超声乳腺肿瘤自动分割方法，包括步骤(A)，构建用于超声乳腺肿瘤自动分割的注意力增强U型网络模型；步骤(B)，建立注意力增强U型网络模型的混合注意力损失函数；步骤(C)，根据注意力增强U型网络模型以及混合注意力损失函数，通过粗细结合策略对注意力增强U型网络模型训练，实现对乳腺超声图像病灶区域分割。本发明专利技术能够用来提取乳腺超声图像的病灶区域，可有效提高乳腺肿瘤分割的准确性，用以辅助医生快速准确进行病灶区域定位，降低医生工作量，缓解年轻医生临床经验不足等缺陷，对现代医学具有非常重要的研究价值和应用前景。非常重要的研究价值和应用前景。非常重要的研究价值和应用前景。

【技术实现步骤摘要】
基于注意力增强U型网络的超声乳腺肿瘤自动分割方法


[0001]本专利技术涉及超声乳腺肿瘤检测
，具体涉及一种基于注意力增强U 型网络的超声乳腺肿瘤自动分割方法。

技术介绍

[0002]目前，乳腺癌是仅次于皮肤癌的一种严重危害妇女健康的疾病。随着现代 医学的发展，早期诊断和治疗可以大大提升乳腺癌患者的存活率。目前，乳腺 肿瘤的诊断可分为侵入性和非侵入性诊断。侵入性诊断主要指活检，但这会对 乳腺组织造成物理损伤，给患者带来痛苦；非侵入性诊断则指使用X射线、MRI (磁共振成像)或超声影像等技术对乳腺病变区域进行检查，在各种检查方式 中，由于低辐射、低成本和实时性等优点，超声影像检查已成为乳腺肿瘤早期 诊断的首选方法。
[0003]在进行超声乳腺肿瘤诊断过程中，超声医生首先需要移动探头寻找患者的 病变组织，确定病灶区域范围，这是进行乳腺肿瘤诊断的第一步。然而，由于 超声图像的低对比度，腺体、肿瘤、脂肪等组织间侵润性，以及肿瘤形态的多 样性等特点，超声医生需要根据临床经验反复观察才能准确确定病灶位置和区 域，这无疑大大增加了医生的工作难度和工作量，无形中也增加了患者的就诊 时间。
[0004]同时，由于临床经验不足或视觉疲劳等原因，有时也会出现病灶区域的误 检测和漏检测等情况。因此，利用计算机辅助诊断(Computer Aided Diagnosis， CAD)系统实现超声乳腺肿瘤区域的自动分割，有助于辅助医生快速、准确定位 病灶区域，可以降低医生工作量，缓解年轻医生临床经验不足等缺陷，对现代 医学具有非常重要的研究价值和应用前景。
[0005]目前，超声乳腺肿瘤区域分割算法主要分为两大类：基于图像处理的分割 算法和基于深度神经网络的语义分割算法，均存在不足，具体介绍如下：
[0006](1)，基于图像处理的分割算法，主要包括阈值法、聚类法、分水岭法、 活动轮廓模型法、马尔科夫随机场法、图论法等等。虽然已取得了一定研究成 果，但该方法均需要手工设定一些初始参数，例如，阈值法中需要提供诸如区 域中心、高度、宽度等初始参数；模糊C均值聚类算法则需要手工设置初始化 聚类区域数目和噪声容限水平；活动轮廓模型则需要提供肿瘤区域内初始化圆 形轮廓。这些初始参数设置是否准确，对最终分割结果好坏有很大影响。同时， 变换数据后，初始参数设置也需要更新，不具有自动分割性能。
[0007](2)，基于深度神经网络的语义分割算法，随着深度学习在各个领域的广 泛应用，基于深度神经网络的语义分割算法逐渐被应用在医学图像中，并取得 了不错的分割效果。常用的深度神经网络模型主要有全卷积网络，U型网络， Mask-RCNN网络等等。与主要依赖浅层特征的传统分割算法相比，深度神经网 络模型结合了浅层特征和高级语义特征，从像素级角度进行分析判断，可以获 得更精确的分割结果。但是，由于训练数据的大量缺乏，以及超声图像对比度 低，可疑病变与周围组织之间相互侵润，以及肿瘤形态的多样性等特点，基于 深度神经网络的超声乳腺肿瘤区域分割研究仍处于起步阶段，分割效果仍有待 进一步提高。

技术实现思路

[0008]本专利技术的目的是克服现有技术中超声乳腺肿瘤区域分割算法存在的问题。 本专利技术的基于注意力增强U型网络(Attention-enhancing Unet，AE-Unet)的超 声乳腺肿瘤自动分割方法，用来提取乳腺超声图像的病灶区域，可有效提高乳 腺肿瘤分割的准确性，用以辅助医生快速准确进行病灶区域定位，降低医生工 作量，缓解年轻医生临床经验不足等缺陷，对现代医学具有非常重要的研究价 值和应用前景。
[0009]为了达到上述目的，本专利技术所采用的技术方案是：
[0010]一种基于注意力增强U型网络的超声乳腺肿瘤自动分割方法，包括以下步 骤，
[0011]步骤(A)，构建用于超声乳腺肿瘤自动分割的注意力增强U型网络模型；
[0012]步骤(B)，建立注意力增强U型网络模型的混合注意力损失函数；
[0013]步骤(C)，根据注意力增强U型网络模型以及混合注意力损失函数，通过 粗细结合策略对注意力增强U型网络模型训练，实现对乳腺超声图像病灶区域 分割。
[0014]前述的基于注意力增强U型网络的超声乳腺肿瘤自动分割方法，步骤(A)， 构建用于超声乳腺肿瘤自动分割的注意力增强U型网络模型，包括以下步骤，
[0015](A1)建立左侧收缩路径，该左侧收缩路径包含左卷积、下采样和左修正 线性单元Relu三个运算模块，左卷积运算模块用于提取图像的深层语义特征， 网络中所有左卷积预算模块的卷积核大小均为3*3；每个左卷积运算后均需经过 左Relu运算模块激活函数，用于增强网络的非线性判别能力；两个3*3左卷积 运算后需经过下采样运算模块，在保留主要特征同时降低网络参数，用于防止 过拟合，该下采样运算模块采用步长为2的最大池化Max pooling进行下采样；
[0016](A2)建立右侧扩展路径，该右侧扩展路径包含右卷积、上采样和右Relu 三个运算模块，所述右卷积运算模块和右Relu运算模块同于左侧收缩路径的左 卷积运算模块和左Relu运算模块，所述上采样运算模块采用2*2反卷积实现， 用于扩展特征图尺寸，便于后续的像素级预测；
[0017](A3)建立中间四个注意力门，该四个注意力门从下到上分布，具体对左 侧收缩路径的同层特征图x
l
，该同层特征图x
l
尺寸为H
x
*W
x
和右侧扩展路径的上 一层特征图g，该上一层特征图g尺寸为H
g
*W
g
，进行尺寸为1*1的卷积运算， 将得到的两个特征图相加，送入左Relu运算模块激活函数进行非线性运算；再 将左Relu运算模块激活函数输出特征图进行尺寸为1*1的卷积运算，然后经过 Sigmoid激活函数，重采样为原尺寸H
x
*W
x
大小，得到权值矩阵α；最后，将权 值矩阵α与收缩路径特征图x
l
相乘，得到最终的增强特征图
[0018]前述的基于注意力增强U型网络的超声乳腺肿瘤自动分割方法，步骤(B)， 建立注意力增强U型网络模型的混合注意力损失函数，包括以下步骤，
[0019](B1)在注意力增强U型网络模型末端的输出预测值pre基础上，增加融入 四个注意力门的输出权值α1、α2、α3和α4，并分别与病灶区域标准模板mask1、mask2、 mask3、mask4进行比对，用于获取准确的网络损失值Loss，
[0020]Loss＝Loss
p
+Loss
A
＝
[0021]＝λBCE(pre,mask)+λ1BCE(α1,mask1)+λ2BCE(α2,mask2) +λ3BCE(α3,mask3)+λ4BCE(α4,mask4)
ꢀꢀꢀ
(1)
[0022]Loss
p
＝λBCE(pre本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力增强U型网络的超声乳腺肿瘤自动分割方法，其特征在于：包括以下步骤，步骤(A)，构建用于超声乳腺肿瘤自动分割的注意力增强U型网络模型；步骤(B)，建立注意力增强U型网络模型的混合注意力损失函数；步骤(C)，根据注意力增强U型网络模型以及混合注意力损失函数，通过粗细结合策略对注意力增强U型网络模型训练，实现对乳腺超声图像病灶区域分割。2.根据权利要求1所述的基于注意力增强U型网络的超声乳腺肿瘤自动分割方法，其特征在于：步骤(A)，构建用于超声乳腺肿瘤自动分割的注意力增强U型网络模型，包括以下步骤，(A1)建立左侧收缩路径，该左侧收缩路径包含左卷积、下采样和左修正线性单元Relu三个运算模块，左卷积运算模块用于提取图像的深层语义特征，网络中所有左卷积预算模块的卷积核大小均为3*3；每个左卷积运算后均需经过左Relu运算模块激活函数，用于增强网络的非线性判别能力；两个3*3左卷积运算后需经过下采样运算模块，在保留主要特征同时降低网络参数，用于防止过拟合，该下采样运算模块采用步长为2的最大池化Max pooling进行下采样；(A2)建立右侧扩展路径，该右侧扩展路径包含右卷积、上采样和右Relu三个运算模块，所述右卷积运算模块和右Relu运算模块同于左侧收缩路径的左卷积运算模块和左Relu运算模块，所述上采样运算模块采用2*2反卷积实现，用于扩展特征图尺寸，便于后续的像素级预测；(A3)建立中间四个注意力门，该四个注意力门从下到上分布，具体对左侧收缩路径的同层特征图x
l
，该同层特征图x
l
尺寸为H
x
*W
x
和右侧扩展路径的上一层特征图g，该上一层特征图g尺寸为H
g
*W
g
，进行尺寸为1*1的卷积运算，将得到的两个特征图相加，送入左Relu运算模块激活函数进行非线性运算；再将左Relu运算模块激活函数输出特征图进行尺寸为1*1的卷积运算，然后经过Sigmoid激活函数，重采样为原尺寸H
x
*W
x
大小，得到权值矩阵α；最后，将权值矩阵α与收缩路径特征图x
l
相乘，得到最终的增强特征图3.根据权利要求1所述的基于注意力增强U型网络的超声乳腺肿瘤自动分割方法，其特征在于：步骤(B)，建立注意力增强U型网络模型的混合注意力损失函数，包括以下步骤，(B1)在注意力增强U型网络模型末端的输出预测值pre基础上，增加融入四个注意力门的输出权值α1、α2、α3和α4，并分别与病灶区域标准模板mask1、mask2、mask3、mask4进行比对，用于获取准确的网络损失值Loss，Loss＝Loss
p
+Loss
A
＝＝λBCE(pre,mask)+λ1BCE(α1,mask1)+λ2BCE(α2,mask2)+λ3BCE(α3,mask3)+λ4BCE(α4,mask4)
ꢀꢀꢀꢀ
(1)Loss
p
＝λBCE(pre,mask)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)Loss
A
＝λ1BCE(α1,mask1)+λ2BCE(α2,mask2)+λ3BCE(α3,mask3)+λ4BCE(α4,mask4)
ꢀꢀ
(3)其中，Loss

【专利技术属性】
技术研发人员：童莹，赵曼雪，
申请(专利权)人：南京天智信科技有限公司，
类型：发明
国别省市：