基于多尺度和跨空间融合的超声乳腺结节端到端分割方法技术

本发明专利技术提供一种基于多尺度和跨空间融合的超声乳腺结节端到端分割方法，包括：以传统U

【技术实现步骤摘要】
基于多尺度和跨空间融合的超声乳腺结节端到端分割方法


[0001]本专利技术涉及
，具体而言，尤其涉及基于多尺度和跨空间融合的超声乳腺结节端到端分割方法。

技术介绍

[0002]据世界卫生组织统计，乳腺癌已成为全球女性最常见的恶性肿瘤之一，严重威胁着女性的身心健康。临床经验表明，乳腺癌的确切发病机制尚不明确，相关高危因素难以控制，一级病因预防较难实现，故目前乳腺癌的防控以“早发现、早诊断、早治疗”的二级预防为主。因此，早期筛查和诊断是降低乳腺癌死亡率的关键因素。如今，无创性乳腺诊断发展迅速，包括X射线、磁共振成像、超声成像等技术。超声成像具有无辐射损伤、易于使用、可任意角度观察成像且成像速度快，价格便宜等优点，成为最主要的乳腺癌早期诊断方式和手段。然而，超声成像存在高噪声、灰度不均，低对比度等缺点，且乳腺结节形态和质地各异，良、恶性结节肉眼难于区分，给超声乳腺结节检测带来一定难度。为了解决以上问题，基于人工智能算法的计算机辅助诊断(CAD)系统被用于超声乳腺图像的诊断中。
[0003]在早期的算法研究中，学者们多采用传统的机器学习方法对超声乳腺结节进行分割。例如，2012年，Jiang等人
[1]首先采用Adaboost+Haar框架检测出初始的超声乳腺结节区域，然后，使用支持向量机进一步筛选检测到结节的集合，最后通过随机游走算法细化分割结节。Shan等人
[2]提出 NLM(neutrosophic L
‑
means)广义聚类方法，用于超声乳腺单一结节模糊边界分割。2016年，Luo等人
[3]将粒子群算法和优化图论算法结合，实现对超声乳腺结节的分割，但需要人工选择两条对角线确定结节区域。2018年，Liu 等人
[4]采用自适应阈值法和形态学滤波法定位并初始化结节轮廓，通过对活动轮廓方法的改进，进一步细化结节轮廓，由于只保留最大区域作为结节初始轮廓，因此无法适用于多个结节的分割。Lotfollahi等人
[5]提出一种改进的活动轮廓方法，并结合neutrosophic理论进行超声乳腺图像分割，克服了超声图像固有的斑点噪声，不足是结节轮廓需要人为操作。以上这些方法均可以实现对超声乳腺结节的分割，但没有摆脱多步骤处理或者人为初始轮廓的繁琐，因此研究人员考虑另辟蹊径谋求相对简单高效的分割方法。
[0004]近年来，随着深度学习在图像处理领域的发展，其在医学领域的作用也逐渐显现出来，在超声乳腺结节分割的任务中，鉴于传统机器方法的不足，许多学者开始研究使用深度学习的方法。2019年，Han等人
[6]将多尺度特征提取网络(BUS
‑
S)和双注意融合网络(BUS
‑
E)用于超声乳腺结节的分割，但训练负载过大。Zhuang等人
[7]在原有UNet模型的基础上把每个普通卷积层引入跨层连接以缓解逐渐消失的梯度，在瓶颈层中使用扩张卷积以获得更多的特征，同时用注意门模块替代编解码的跨层连接，抑制背景信息从而提高乳腺结节的分割性能。2020年，Byra等人
[8]用选择性核卷积取代编解码路径上的标准卷积，该卷积可自适应地调整感受野，解决乳腺结节形态多变的分割问题。Vakanski等人
[9]将注意力添加到池化操作用于关注超声乳腺结节区域，但对结节模糊边界分割效果不好。2021年，Xue等人
[10]将多层上下文信息与乳腺病灶边界检测相结合，细化边界质量以提高分割结果。
Iqbal等人
[11]提出一种基于多尺度双注意网络用于超声乳腺结节图像分割，用多尺度卷积取代Unet中所有的标准卷积用于特征提取，在上采样操作后引入双注意力自适应学习高级特征，但对模糊边界的结节分割效果不佳。2022年，Punn等人
[12]通过融合四种不同尺度卷积来适应不同尺寸的超声乳腺结节区域，同时使用混合池化保留更多的结节特征信息，此外，将编码路径相邻空间特征和解码路径对等层空间特征与注意力结合用于关注不同空间维度上的相关性，以更好识别结节区域。Chen等人
[13]提出用混合自适应注意力改进Unet网络，使网络具有在通道和空间上自适应调整感受野的能力，以捕捉不同维度的特征，该方法获得了较好的分割效果。
[0005]尽管深度学习方法在分割效果上比传统的机器学习方法取得的效果更好，但在分割准确率上仍不能满足超声医生的临床需求。
[0006]参考文件：
[0007][1]JIANGP,PENGJ,ZHANGG,etal.Learning
‑
basedautomaticbreasttumordetectionandsegmentationinultrasoundimages[C]//20129thIEEEInternationalSymposiumonBiomedicalImaging(ISBI).IEEE,2012:1587
‑
1590.
[0008][2]SHANJ,CHENGHD,WANGY.Anovelsegme
‑
ntationmethodforbreastultrasoundimagesbasedonneutrosophicl
‑
meansclustering[J].Me
‑
dicalphysics,2012,39(9):5669
‑
5682.
[0009][3]LUOY,HANS,HUANGQ.Anovelgraph
‑
basedsegmentationmethodforbreastultrasoundimages[C]//2016InternationalConferenceonDigitalImageComputing:TechniquesandApplications(DICTA).IEEE,2016:1
‑
6.
[0010][4]LIUL,LIK,QINW,etal.Automatedbreasttumordetectionandsegmentationwithanovelcomputati
‑
onalframeworkofwholeultrasoundimages[J].Medical&biologicalengineering&computing,2018,56(2):183
‑
199.
[0011][5]LOTFOLLAHIM,GITYM,YEJY,etal.Segme
‑
ntationofbreastultrasoundimagesbasedonactivecontoursusingneutrosophictheory[J].JournalofMedicalUltrasonics,2018,45(2):205
‑
212.
[0012][6]HANL,HUANGY,DOUH,etal本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度和跨空间融合的超声乳腺结节端到端分割方法，其特征在于，包括：步骤1：以传统U
‑
Net的编码—解码结构为主框架，其中，编码器通过多尺度特征提取与融合模块替代所述传统Unet的卷积操作，获取不同感受野的上下文信息；步骤2：在瓶颈层，通过感受野自适应聚合模块使通过所述多尺度特征提取与融合模块获取的不同感受野下的信息融合生成权重矩阵，并通过权重对深层语义通道进行特征筛选，突出与分割结果相关的语义特征；步骤3：在编码器与解码器之间的跳跃连接上，通过增加跨空间残差融合模块缓解编解码器对等层之间的语义差异；步骤4：通过消融实验，验证分割效果。2.根据权利要求1所述的基于多尺度和跨空间融合的超声乳腺结节端到端分割方法，其特征在于，所述多尺度特征提取和融合模块包含4条具有不同感受野的卷积支路；其中，第一条支路为1
×
1卷积进行特征提取，具有1
×
1的最小感受野；第二～四条支路为3
×
3卷积进行特征提取，具有3
×
3感受野；但在第三条支路与第四条支路的3
×
3卷积后，均设置有一个多尺度卷积块即SplitB模块；且所述多尺度特征提取与融合模块在保持第一条支路卷积结果不变的情况下，对其它三条支路的后端分别进行两两拼接和融合。3.根据权利要求2所述的基于多尺度和跨空间融合的超声乳腺结节端到端分割方法，其特征在于，所述SplitB模块对输入特征通过分组卷积和扩张卷积进行特征提取和拓展感受野；所述SplitB模块将输入的特征通道分为两组为group1及group2；再对所述两组即group1或group2任意一组再次进行分组，即分为group3及group4；再将二次分组后的任意一组即group3或group4通过扩张卷积进行特征提取，最后将得到的特征图与未进行二次分组的一组进行拼接即group2或group1...

【专利技术属性】
技术研发人员：赵欣，祝倩倩，黎红豆，赵聪，吴佳玲，
申请(专利权)人：大连大学，
类型：发明
国别省市：