一种基于神经网络的利用乳腺钼靶图像检测肿瘤良恶性的方法技术

本发明专利技术的目的在于利用乳腺钼靶图像检测肿瘤良恶性。通过图像预处理算法，对病人各侧各体位的乳腺钼靶图像进行自动匹配，提取病人双侧乳腺主体。将每个病人预处理过后的双侧乳腺主体图片作为卷积神经网络的输入，利用DisIBS对卷积神经网络提取到的特征图进行统计分析，最终对乳腺钼靶图片是否存在恶性肿瘤情况进行分类，可以达到优秀的分类效果。可以达到优秀的分类效果。可以达到优秀的分类效果。

【技术实现步骤摘要】
一种基于神经网络的利用乳腺钼靶图像检测肿瘤良恶性的方法


[0001]本专利技术涉及人工智能深度学习、卷积神经网络(Convolutional Neural Networks，CNN)、信息相似度(Information Based Similarity，IBS)统计分析理论和图像处理在乳腺钼靶图像分类方向的应用。

技术介绍

[0002]世界卫生组织国际癌症研究机构(IARC)发布的2020年全球最新癌症负担数据显示，2020年乳腺癌新发病例数达226万人，首次超过肺癌(220万)，成为全球最常见的癌症，占新发癌症病例的11.7％，在新确诊的患者中，每8名就有1名是乳腺癌患者，全球乳腺癌发病形势严峻。2020年中国女性新发乳腺癌病例超过41.6万，发病率为39.1/10万，死亡11.7万余例。我国乳腺癌的新发病例数位居第四位，仅次于肺癌、结直肠癌和胃癌，增长速度极快。据GLOBOCAN 2020中国女性人群的年龄划分数据，中国女性的乳腺癌年龄标化发病率和死亡率在30
‑
54岁女性中均位于全癌种首位。我国的乳腺癌疾病负担不断加重，发病率和死亡率均居于前列。同时我国还表现出城乡差异大、地区分布不均衡的现状。各地医疗资源、诊疗水平发展不均衡，导致很多乳腺癌患者发现时已晚期或肿瘤体积较大，早期患者比例低。钼靶X线对于乳腺微小病灶以及恶性肿块具有较高的敏感性。在良恶性判别上具有较高的临床价值。
[0003]如果可以借助卷积神经网络与DisIBS统计分析对乳腺钼靶图像进行智能分析与诊断，就可以减轻医护人员的工作量。
[0004]本专利技术中使用的孪生交叉对比神经网络模型(Siamese Cross Contrast Neural Network，SCCNN)，该神经网络模型在交叉对比神经网络(Cross
‑
Contrast Neural Network，CCNN)基础上进行改进，主要基于CNN和改良后的DisIBS算法统计分析两个部分。CNN是一种深度学习模型或类似于人工神经网络的多层感知器，可用来分析视觉图像，以其局部权值共享的特殊结构在图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，在计算机视觉领域显示出了优越的性能，在各项比赛与研究中取得了显著的效果。同时，为了进一步提升网络对于乳腺钼靶图片的分类识别能力，引入了改良后的DisIBS算法，相比传统IBS算法DisIBS算法能够更好辨识两个系统的相似度，通过对卷积层提取出乳腺特征进行交叉对比，判断两幅图像是否属于同一类，以实现对乳腺钼靶图像的类别判断。

技术实现思路

[0005]本专利技术的目的在于利用乳腺钼靶图像检测肿瘤良恶性。通过图像预处理算法，对病人各侧各体位的乳腺钼靶图像进行自动匹配，提取病人双侧乳腺主体。将每个病人预处理过后的双侧乳腺主体图片作为卷积神经网络的输入，利用DisIBS算法对卷积神经网络提取到的特征图进行统计分析，最终对乳腺钼靶图片是否存在恶性肿瘤情况进行分类，可以
达到优秀的分类效果。
[0006]为实现上述目的，本专利技术采用如下的技术方案：
[0007]构建乳腺钼靶图像自动预处理器。首先对采集到的人体各侧各体位的乳腺图像进行图片处理，并且进行左右体位自动匹配，在此基础上，提取乳腺外层轮廓线，生成双侧乳腺蒙版，自动分割出双侧乳腺主体。
[0008]构建判断每张乳腺钼靶图片上是否存在恶性肿瘤的分类器。利用经过预处理过后的每张乳腺的钼靶图片，训练孪生交叉对比神经网络模型，其中损失函数的计算使用DisIBS算法，得到具有较高准确率的判决模型。
[0009]采集人体乳腺钼靶图片，利用已构建好的乳腺钼靶图片自动预处理器，对乳腺双侧钼靶图片进行自动预处理，得到预处理后乳腺钼靶图片，构成双侧乳腺的钼靶图片数据集。
[0010]构建判断乳腺钼靶图像是否存在恶性肿瘤的检测器。将得到的经过处理后的乳腺钼靶数据集，依次输入孪生交叉对比神经网络预测模型，得到每张乳腺钼靶图片是否存在恶性肿瘤的预测结果。
[0011]本专利技术通过图像处理结合深度学习技术，提供了一种基于孪生交叉对比神经网络的利用乳腺钼靶影像图自动检测乳腺肿瘤良恶性的方法，大大提高了辨识的客观性和准确性，同时减轻了医护人员的工作量，判别准确率与传统的人工检测方法接近，但比传统的人工检测体验更好。本专利技术的有益效果远不止于上述罗列诸要点，限于篇幅而不加赘述。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
[0013]图1为本专利技术实施例提供的基于神经网络的利用乳腺钼靶图像自动诊断乳腺肿瘤良恶性的方法的流程示意图；
[0014]图2为人体乳腺钼靶图片；
[0015]图3为根据最大连通域算法和匹配后的cc体位双侧乳腺钼靶图片；
[0016]图4为分割后的乳腺钼靶图片(左侧图片肿瘤为良性，右侧为肿瘤为恶性)；
[0017]图5为本专利技术实施例提供的孪生交叉对比神经网络的训练模型；
[0018]图6为本专利技术实施例提供的孪生交叉对比神经网络的检测模型。
具体实施方式
[0019]为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图和具体实例对本专利技术进行清楚、详细的描述。
[0020]本专利技术解决问题所采用的方案分为五个部分：
[0021]第一部分，构建乳腺钼靶图像自动预处理器。首先对于原始乳腺钼靶图片采用Seed
‑
Filling种子算法进行如下连通域分析：
[0022]1)扫描原始乳腺钼靶图像，直到当前像素点B(x，y)＝＝1：
[0023]a)将当前像素位置B(x，y)＝＝1作为种子，赋予其一个label，并将该种子相邻的所有前景像素都压入栈中；
[0024]b)弹出栈顶像素，赋予其与上述相同的label，并将与该栈顶像素相邻的所有前景像素均压入栈中；
[0025]c)重复b步骤，直至栈为空
[0026]2)重复上述1)步骤，直到扫描全部结束
[0027]在所有连通域中，保留面积最大的连通域，并平滑边缘，向内填充空洞，生成单侧乳腺最大连通域蒙版，与原始乳腺钼靶图像进行融合。
[0028]将处理后的图片按照左右、体位进行自动匹配，得到类似圆形的双侧乳腺图像，如图3所示。对处理后的双侧乳腺钼靶图像进行二值化处理，提取类圆形最外层边缘轮廓线，以类圆形的图形中心点为中点，进行等比缩小，约为原图大小的98％，并在四周补零为原图大小，生成类圆形的双侧乳腺分割蒙版，并与双侧乳腺图像相融合，分割提取出乳腺主体。将整个图像预处理算法作为乳腺钼靶图片自动预处理器部署在主机或服务器上。
[0029]第二部分，构建判断每张乳腺钼靶图片上是否存在恶性肿瘤的分类器。本专利技术使用孪生交叉对比神经网络。使用对预先已分割好的乳腺主体图片，标记出是否存在恶性肿瘤情况，并对经过图像预处理过后的乳腺钼靶图片进行补全和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明公开了一种基于孪生交叉对比神经网络的乳腺钼靶图像检测肿瘤良恶性的方法，其特征在于融合双侧乳腺钼靶图像，通过孪生交叉对比神经网络进行训练，利用得到的网络模型进行乳腺肿瘤良恶性检测。2.根据权利要求1所述的一种基于孪生交叉对比神经网络的乳腺钼靶图像检测肿瘤良恶性的方法，其特征在于自动匹配不同体位侧位钼靶图像，集中提取每个病人的各体位双侧乳腺钼靶图像特征信息。3.根据权利要求1所述的一种基于...

【专利技术属性】
技术研发人员：金鑫妍，王淇元，陈颖，葛云，
申请(专利权)人：南京大学，
类型：发明
国别省市：