一种基于超声自动乳腺全容积成像的乳腺分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于超声自动乳腺全容积成像的乳腺分类方法及装置，方法包括步骤：通过超声自动乳腺全容积成像获取三维乳腺图像；基于所述三维乳腺图像构建并训练得到乳腺分类预测网络，所述乳腺分类预测网络包括VNet主干网络模块以及多尺度融合注意力模块；将待分类三维乳腺图像输入到所述乳腺分类预测网络中，输出乳腺分类预测结果。本发明专利技术利用编码

【技术实现步骤摘要】
一种基于超声自动乳腺全容积成像的乳腺分类方法及装置


[0001]本专利技术涉及深度学习算法应用领域，特别涉及一种基于超声自动乳腺全容积成像的乳腺分类方法及装置。

技术介绍

[0002]2015年世界卫生组织的报告显示，乳腺癌的发病率已经位居所有癌症的第二位。对于女性，乳腺癌是诊断中最常见且死亡人数最好的癌症。因此，乳腺癌的早期精准诊断有着重要的临床意义。作为一种新型的检测可以的乳腺肿瘤的方法，超声自动乳腺全容积成像(automated breast volume scanner，ABVS)可以为超声医生输出整个乳房的3D立体图像，但是3D图像的巨大数据量和超声图像中的噪音问题会耗费临床医生大量的阅片时间。
[0003]目前，大量的研究人员正在探索并寻找在ABVS图像中对乳腺肿瘤的检测、分割与分类等任务，但是会由于乳腺肿瘤在ABVS图像中的位置、体积差异巨大，给普通的深度学习方法产生了一定的困难，导致无法对ABVS图像中的乳腺肿瘤进行识别以及精准分类。
[0004]因此，现有技术还有待于改进和发展。

技术实现思路

[0005]本专利技术要解决的技术问题在于，针对现有技术的不足，提供一种基于超声自动乳腺全容积成像的乳腺分类方法及装置，旨在解决现有无法无法对ABVS图像中的乳腺肿瘤进行识别以及精准分类的问题。
[0006]为了解决上述技术问题，本专利技术所采用的技术方案如下：
[0007]一种基于超声自动乳腺全容积成像的乳腺分类方法，其中，包括步骤：
[0008]通过超声自动乳腺全容积成像获取三维乳腺图像；
[0009]基于所述三维乳腺图像构建并训练得到乳腺分类预测网络，所述乳腺分类预测网络包括VNet主干网络模块以及多尺度融合注意力模块；
[0010]将待分类三维乳腺图像输入到所述乳腺分类预测网络中，输出乳腺分类预测结果。
[0011]所述基于超声自动乳腺全容积成像的乳腺分类方法，其中，还包括步骤：对所述三维乳腺图像进行体积修正处理。
[0012]所述基于超声自动乳腺全容积成像的乳腺分类方法，其中，对所述三维乳腺图像进行体积修正处理的步骤包括：
[0013]预先将三维乳腺图像裁剪为64
×
256
×
256的尺寸大小，得到裁剪图像；
[0014]对所述裁剪图像进行肿瘤粗分割，得到粗分割图像；
[0015]计算所述粗分割图像中肿瘤与整个图像的体积比；
[0016]若所述体积比小于预设阈值，则生成最大连接域和基于所述最大连接域的多维数据集边界；
[0017]根据所述多维数据集边界对所述三维乳腺图像进行重新裁剪，得到重新裁剪图
像。
[0018]所述基于超声自动乳腺全容积成像的乳腺分类方法，其中，所述VNet主干网络模块包括编码器块和解码器块，所述编码器块包括若干个3D卷积层、批处理规范化归一化层和ReLU层；所述解码器块包括自适应上采样层和连接层。
[0019]所述基于超声自动乳腺全容积成像的乳腺分类方法，其中，所述多尺度融合注意力模块包括两个分支，其中一个分支用于将来自解码器块不同阶段的每个特征连接起来，生成多尺度特征；另一个分支用于获取相应的编码器块和解码器块特征的逐元素求和，以导出本地注意图。
[0020]所述基于超声自动乳腺全容积成像的乳腺分类方法，其中，所述多尺度融合注意力模块将注意力引导特征的形成过程描述为一下公式：力模块将注意力引导特征的形成过程描述为一下公式：其中，表示关注引导的特征，表示该特征来自每个标度，表示该特征来自解码器块，表示按元素求和，表示连接运算，
×
表示按元素相乘，σ表示Sigmoid激活函数。
[0021]所述基于超声自动乳腺全容积成像的乳腺分类方法，其中，所述三维乳腺图像包括已标记三维乳腺图像和未标记三维乳腺图像，基于所述三维乳腺图像构建并训练得到乳腺分类预测网络的步骤包括：
[0022]将已标记三维乳腺图像表示为S
l
{x
i
，seg
i
，cls
i
}，将未标记三维乳腺图像表示为S
u
{x
i，_，
cls
i
},S
u
{x
i
，Seg
i，_
}和S
u
{x
i，_，_
}，分别表示仅具有分类标签的三维乳腺图像，仅具有分段标签的三维乳腺图像和具有分类标签和分段标签的三维乳腺图像；
[0023]对所述未标记三维乳腺图像进行扩充处理，得到扩充的未标记三维乳腺图像；
[0024]在训练过程中，将所述扩充的未标记三维乳腺图像进行正向传播，以获得伪分割标签为seg
′
i
，伪分类标签为cls
′
i
；
[0025]将未标记三维乳腺图像输入到乳腺分类预测网络中以生成预测的分割P
seg
和预测的分类P
cls
，并计算损失函数。
[0026]一种存储介质，其中，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本专利技术任意一项基于超声自动乳腺全容积成像的乳腺分类方法中的步骤。
[0027]一种基于超声自动乳腺全容积成像的乳腺分类装置，其特征在于，包括处理器，适于实现各指令；以及存储介质，适于存储多条指令，所述指令适于由处理器加载并执行本专利技术任意一项基于超声自动乳腺全容积成像的乳腺分类方法中的步骤。
[0028]有益效果：本专利技术提供了一种基于超声自动乳腺全容积成像的乳腺分类方法，采用一种适于体素图像分割的VNet网络作为本方法的主干网络用于提取图像的特征，并且恢复重建分割图像；同时，为了能够提升网络的分割分类性能，提出一种新型的多尺度融合注意力机制，使网络更加专注地捕获肿瘤区域的特征信息，减少背景区域对分割和分类的影响，从而实现对ABVS图像中的乳腺肿瘤的精准识别以及精准分类。
附图说明
[0029]图1为本专利技术一种基于超声自动乳腺全容积成像的乳腺分类方法较佳实施例的流程图。
[0030]图2为本专利技术对所述三维乳腺图像进行体积修正处理的示意图。
[0031]图3为本专利技术半监督机制整合到网络训练过程的流程图。
[0032]图4为本专利技术多尺度注意力引导的基于VNet的分割分类多任务网络结构组成图。
[0033]图5为本专利技术多尺度注意力机制的结构框图。
[0034]图6为本专利技术ABVS数据图像切片展示和分割标签对照图。
[0035]图7为本专利技术一种基于超声自动乳腺全容积成像的乳腺分类装置的原理框图。
具体实施方式
[0036]本专利技术提供一种基于超声自动乳腺全容积成像的乳腺分类方法及装置，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超声自动乳腺全容积成像的乳腺分类方法，其特征在于，包括步骤：通过超声自动乳腺全容积成像获取三维乳腺图像；基于所述三维乳腺图像构建并训练得到乳腺分类预测网络，所述乳腺分类预测网络包括VNet主干网络模块以及多尺度融合注意力模块；将待分类三维乳腺图像输入到所述乳腺分类预测网络中，输出乳腺分类预测结果。2.根据权利要求1所述基于超声自动乳腺全容积成像的乳腺分类方法，其特征在于，还包括步骤：对所述三维乳腺图像进行体积修正处理。3.根据权利要求2所述基于超声自动乳腺全容积成像的乳腺分类方法，其特征在于，对所述三维乳腺图像进行体积修正处理的步骤包括：预先将三维乳腺图像裁剪为64
×
256
×
256的尺寸大小，得到裁剪图像；对所述裁剪图像进行肿瘤粗分割，得到粗分割图像；计算所述粗分割图像中肿瘤与整个图像的体积比；若所述体积比小于预设阈值，则生成最大连接域和基于所述最大连接域的多维数据集边界；根据所述多维数据集边界对所述三维乳腺图像进行重新裁剪，得到重新裁剪图像。4.根据权利要求1所述基于超声自动乳腺全容积成像的乳腺分类方法，其特征在于，所述VNet主干网络模块包括编码器块和解码器块，所述编码器块包括若干个3D卷积层、批处理规范化归一化层和ReLU层；所述解码器块包括自适应上采样层和连接层。5.根据权利要求1所述基于超声自动乳腺全容积成像的乳腺分类方法，其特征在于，所述多尺度融合注意力模块包括两个分支，其中一个分支用于将来自解码器块不同阶段的每个特征连接起来，生成多尺度特征；另一个分支用于获取相应的编码器块和解码器块特征的逐元素求和，以导出本地注意图。6.根据权利要求1所述基于超声自动乳腺全容积成像的乳腺分类方法，其特征在于，所述多尺度融合注意力模块将注意力引导特征的形成过程描述为一下公式：其中，表示关注引导的特征，表示该特征来自每个标度，表示该特征来自解码器块，表示按元素求和，表示连接运算，
×
表示按元素相乘，σ表示Sigmoid激活...

【专利技术属性】
技术研发人员：雷柏英，柳懿垚，杨意，姜伟，
申请(专利权)人：深圳大学，
类型：发明
国别省市：