基于超声影像的乳腺肿瘤识别方法技术

本发明专利技术涉及超声影像识别领域，公开了一种基于超声影像的乳腺肿瘤识别方法，包括：采集乳腺肿瘤超声影像，并对乳腺肿瘤超声影像进行标注；对标注后的乳腺肿瘤超声影像进行预处理；将预处理后的乳腺肿瘤超声影像在蒸馏神经网络中训练，获得训练后的乳腺肿瘤识别模型；将待识别的乳腺超声影像输入乳腺肿瘤识别模型，得到乳腺肿瘤识别模型输出的识别结果。本发明专利技术用于提高乳腺产生图像的识别效率和识别准确率。

【技术实现步骤摘要】
基于超声影像的乳腺肿瘤识别方法
本专利技术涉及超声影像识别领域，具体是指一种基于超声影像的乳腺肿瘤识别方法。
技术介绍
近年来，乳腺肿瘤的发病率在世界范围内呈上升趋势。据世界卫生组织国际肿瘤症研究中心2013年公布的数据，自2008年以来，全球每年乳腺肿瘤病例以超过20％的速度增长，而死亡率每年长14％。超声影像技术是目前为止最经济且高效的乳腺肿瘤早期筛查方法之一，减少了不必要的活体组织检查，但是乳腺超声图像的识别结果完全依靠医生的经验，具有一定的主观性。急需一个高效的计算机辅助识别(CAD，Computer-aidedDetection)系统来提高乳腺超声图像的识别效率和准确性。
技术实现思路
基于以上技术问题，本专利技术提供了一种基于超声影像的乳腺肿瘤识别方法，用于提高乳腺产生图像的识别效率和识别准确率。为解决以上技术问题，本专利技术采用的技术方案如下：基于超声影像的乳腺肿瘤识别方法，包括：采集乳腺肿瘤超声影像，并对乳腺肿瘤超声影像进行标注；对标注后的乳腺肿瘤超声影像进行预处理；将预处理后的乳腺肿瘤超声影像在蒸馏神经网络中训练，获得训练后的乳腺肿瘤识别模型；将待识别的乳腺超声影像输入乳腺肿瘤识别模型，得到乳腺肿瘤识别模型输出的识别结果。作为一种优选的方式，蒸馏神经网络包括教师网络和学生网络；蒸馏神经网络根据蒸馏算法，通过教师网络来指导学生网络进行训练；其中，学生网络具有双层分类网络结构，教师网络中引入掩膜参数。作为一种优选的方式，乳腺肿瘤超声影像分为清洁数据集和噪声数据集。作为一种优选的方式，清洁数据集采用基于病理识别的强标签数据；噪声数据集采用基于双雷达系统获取的弱标签数据和基于病理识别的强标签数据。作为一种优选的方式，标注包括良性肿瘤标注和恶性肿瘤标注。作为一种优选的方式，预处理包括将乳腺肿瘤超声影像的空白部分、私人信息和乳腺组织的背景去除，得到仅保留乳腺肿瘤图像信息的乳腺超声影像。作为一种优选的方式，识别结果符合BI-RADS分级标准。与现有技术相比，本专利技术的有益效果是：(1)本专利技术针对乳腺超声波图像，采用深度学习模型，对乳腺肿瘤所在的区域进行了自动定位和识别(良性或恶性)。该深度学习模型的识别准确度远好于传统的基于图像处理和计算机视觉的方法。对于定位后的区域图片，我们用深度学习模型的方法，建立了乳腺肿瘤的良性或恶性的预测模型，提高了乳腺产生图像的识别效率和识别准确率。(2)本专利技术通过蒸馏神经网络，使用了双分支学习的框架，教师网络应用了传统的学习方式，学生网络尽量遗忘复杂有歧义的数据，并通过知识蒸馏，学习教师网络的有效信息，充分挖掘基于BI-RADS识别结果数据的有效信息，从而来提高识别准确率。附图说明本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述，其中：图1为基于超声影像的乳腺肿瘤识别方法流程示意图。具体实施方式为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。图1是本申请一些实施例所示的基于超声影像的乳腺肿瘤识别方法的流程示意图，以下将结合图1对本申请所涉及的基于超声影像的乳腺肿瘤识别方法进行介绍。需要注意的是，图1仅作为示例，并不对基于超声影像的乳腺肿瘤识别方法的具体流程形成限定。参阅图1，在本实施方式中，基于超声影像的乳腺肿瘤识别方法，包括：采集乳腺肿瘤超声影像，并对乳腺肿瘤超声影像进行标注；对标注后的乳腺肿瘤超声影像进行预处理；将预处理后的乳腺肿瘤超声影像在蒸馏神经网络中训练，获得训练后的乳腺肿瘤识别模型；将待识别的乳腺超声影像输入乳腺肿瘤识别模型，得到乳腺肿瘤识别模型输出的识别结果。具体的，建立乳腺肿瘤的良性或恶性的乳腺肿瘤识别模型，其识别精度达到美国放射学会的BI-RADS分级标准。在一些实施例中，蒸馏神经网络包括教师网络和学生网络；蒸馏神经网络根据蒸馏算法，通过教师网络来指导学生网络进行训练；其中，学生网络具有双层分类网络结构，教师网络中引入掩膜参数。教师网络通过自主方式来对接信息，学生网络通过遗忘复杂、模糊的特征来进行简单的数据。同时，对教师网络进行了计算。利用学生网络的均方差分，学生网络从教师网络那里提取有效信息，从而提高整体识别识别率。其中，教师传授知识给学生的方法：1、教师网络经过训练输出一个类别概率分；2、学生网络以教师网络的输出预测为指导，输出一个类别概率分；3、设计学生网络的损失函数，最小化两个概率分布之间的差距。实质：训练一个学生网络模型来模仿一个预先训练好的教师网络模型预测输出概率分布使用双分支学习的框架，教师网络应用了传统的方式，学生网络引入双层分类网络(doublesoftmax，softmax即为分类网络)来平缓网络的学习，尽量遗忘复杂有歧义的数据，并通过知识蒸馏，学习教师网络的有效信息，充分挖掘基于Bl-RADS识别结果数据的有效信息，从而来提高识别良恶性乳腺肿瘤的准确率。其基本框架是：首先我们将教师网络的输出Loss定义如下：即教师网络的Logic输出做softmax后与label的交叉熵，其中f(xf，θt)表示参数为θt的教师网络对于输入xf的Logic输出，yf表示样本xf的标签。即学生网络的Logic输出做doublesoftmax后与label的交叉熵，其中f(xf，θs)表示参数为θs的教师网络对于输入xf的Logic输出，yf表示样本xf的标签。然后进行知识蒸馏，在本蒸馏神经网络中，有教师网络和学生网络，教师网络只是一个传统的深度学习网络，我们使学生网络从教师网络中蒸馏知识，但是区别于其他方法的是，我们的学生网络中增加了doublesoftmax结构，doublesoftmax使学习更加平缓，复杂且有歧义的信息遗忘速度更快。为了使学生网络搞笑的从教师网络中蒸馏知识，我们引入了网络一致性函数Jx(θ)，来表示对于相同的输入时两个网络预测的期望距离。我们将两个网络的预测结果的不同当成一个错误，我们的目的就是最小化这个错误函数。我们首先定义x＝{x1，x2，x3，...xn}，表示一个mini-batch的输入数据，教师网络一个mini-batch的判别函数输出为f(x，θt)和学生网络一个mini-batch的判别函数输出为f(x，θs)。所以我们定义Jx(θ)为：Jx(θ)＝Ex[|softmax(f(x，θt))-softmax(f(x，θs))|2]且基于传统知识蒸馏模型的缺点，我们引入了掩膜(mask)参数，数字图像处理中的掩膜的概念是借鉴于PCB制版的过程，在半导体制造中，许多芯片工艺步本文档来自技高网...

【技术保护点】
1.基于超声影像的乳腺肿瘤识别方法，其特征在于，包括：/n采集乳腺肿瘤超声影像，并对所述乳腺肿瘤超声影像进行标注；/n对标注后的所述乳腺肿瘤超声影像进行预处理；/n将预处理后的乳腺肿瘤超声影像在蒸馏神经网络中训练，获得训练后的乳腺肿瘤识别模型；/n将待识别的乳腺超声影像输入乳腺肿瘤识别模型，得到所述乳腺肿瘤识别模型输出的识别结果。/n

【技术特征摘要】
1.基于超声影像的乳腺肿瘤识别方法，其特征在于，包括：
采集乳腺肿瘤超声影像，并对所述乳腺肿瘤超声影像进行标注；
对标注后的所述乳腺肿瘤超声影像进行预处理；
将预处理后的乳腺肿瘤超声影像在蒸馏神经网络中训练，获得训练后的乳腺肿瘤识别模型；
将待识别的乳腺超声影像输入乳腺肿瘤识别模型，得到所述乳腺肿瘤识别模型输出的识别结果。


2.根据权利要求1所述的基于超声影像的乳腺肿瘤识别方法，其特征在于：
所述蒸馏神经网络包括教师网络和学生网络；所述蒸馏神经网络根据蒸馏算法，通过教师网络来指导学生网络进行训练；
其中，所述学生网络具有双层分类网络结构，所述教师网络中引入掩膜参数。


3.根据权利要求1所述的基于超声影像的乳腺肿瘤识别方法，其特征在于：
所述乳腺肿瘤超声影像分...

【专利技术属性】
技术研发人员：李石明，
申请(专利权)人：四川工商学院，
类型：发明
国别省市：四川;51