一种基于深度学习的乳腺钙化分析方法技术

本发明专利技术涉及一种基于深度学习的乳腺钙化分析方法，通过对影像图片进行增强，提升模型对模糊钙化、微小钙化的识别能力。基于卷积多层感知器的改进图像分割网络UNeXt，将乳腺钙化从影像中进行有效分割，能够有效减少计算开销和运算成本，结合深度学习和乳腺钙化特征进行乳腺钙化分析，以辅助医生阅片和减少失误。对于乳腺钙化分析模型，使用Focal loss+Dice loss作为损失函数进行初步训练，然后使用HD loss继续训练模型，从而提升模型学习能力。采用本发明专利技术公开的基于深度学习的乳腺钙化分析方法，能够作为早期乳腺癌的辅助筛查手段，在医疗系统中辅助医生更好的发现并定义乳腺钙化的形态、大小和分布。大小和分布。大小和分布。

【技术实现步骤摘要】
一种基于深度学习的乳腺钙化分析方法


[0001]本专利技术属于计算机医疗辅助筛查领域，具体涉及一种基于深度学习的乳腺钙化分析方法。

技术介绍

[0002]根据世界各地最新的统计数据显示，乳腺癌被认为是致命癌症中的一种。它是女性中患病率最高的癌症之一，也是女性癌症死亡的第二大杀手。乳腺癌是由不受控制的细胞分裂引起的恶性肿瘤，目前针对乳腺癌采取的医学防治手段之一是定期进行筛查，早发现早干预。
[0003]乳腺X线影像是指对乳腺进行的X光检查，乳腺X线影像是早期发现和筛查乳腺癌的主要方式之一。
[0004]乳腺癌的病灶类型虽然有许多不同形式，但乳腺钙化病灶作为乳腺四大常见病灶之一，常常不可忽视，乳腺钙化是在女性乳腺组织中形成的钙沉积，是在乳腺癌的初级阶段出现的迹象，通常与导管原位癌有关。然而，钙化也可能发生在浸润性癌症中，被定义为乳腺影像治疗中恶性肿瘤的主要体征。大约41.2％的女性在筛查项目中被描述为钙化是癌症的唯一指征。
[0005]乳腺钙化的评估有助于确定患者的管理方式。要确定钙化是否是良性的、非特异性的，是否需要其他影像学检查或活检，钙化的形态、大小和分布是重要的参考指标。在乳腺组织中，较大的钙沉积物称为大钙化，这些颗粒大于2毫米，通常是良性病灶。小于0.5毫米的钙化称为微钙化。微钙化也被认为是微小的钙沉积，在乳腺X射线影像上显示白色斑点。微钙化并不总是恶性肿瘤的征兆,但是如果它们出现却是乳腺癌的一种象征。
[0006]由于初始乳腺X线影像筛查期间钙化检测的敏感性较低，计算机辅助诊断方法可以为临床医生提供更好的早期检测和分析钙化的决策支持。基于深度学习的计算机辅助诊断算法已被证明为乳腺X射线影像中的乳腺癌自动分析提供了有效而稳健的解决方案。要想检出乳腺钙化病灶，需要使用图像分割技术。在基于深度学习的图像分割技术中，UNet被认为是一种高效和鲁棒的分割方法。在过去的十年中，UNet是一项里程碑式的工作，它展示了具有跳跃连接的编码器
‑‑
解码器卷积网络在医学图像分割中的效率，近年来，UNet已成为几乎所有领先的医学图像分割技术的骨干。如UNet++、V
‑
Net、Y
‑
Net,及其最新的扩展如TransUNet是近年来领先的医学图像分割方法。
[0007]由于存在网络参数多、计算复杂、使用速度慢的问题，并且由于乳腺X线影像均为大尺寸图像，而钙化尺寸均较小，会存在分辨率较低的问题，给微钙化的检验和分析带来了挑战。

技术实现思路

[0008]针对现有技术中存在的缺陷，本专利技术的目的在于提供一种基于深度学习的乳腺钙化分析方法，基于卷积多层感知器的改进图像分割网络UNeXt，将乳腺钙化从影像中进行有
效分割，能够有效减少计算开销和运算成本，结合深度学习和乳腺钙化特征进行乳腺钙化分析，以辅助医生阅片和减少失误。能够作为早期乳腺癌的辅助筛查手段，在医疗系统中辅助医生更好的发现并定义乳腺钙化的形态、大小和分布。
[0009]为达到以上目的，本专利技术采用的技术方案是：
[0010]一种基于深度学习的乳腺钙化分析方法，所述方法包括步骤：
[0011]S11、获取待分析乳腺X线影像数据，对其进行格式处理，处理成与乳腺钙化分析模型格式相匹配的预设格式预设尺寸的图片；
[0012]S12、对进行格式处理的待分析乳腺X线影像数据进行数据增强；
[0013]S13、将经过数据增强后的待分析乳腺X线影像数据输入乳腺钙化分析模型，使用所述乳腺钙化分析模型进行推理，以得到图像分割结果；
[0014]S14、将所述图像分割结果按照裁剪的位置进行拼接，其中重叠的位置去掉预设边缘像素后，然后直接相加得到最终图像分割结果，根据所述最终分割结果进行乳腺钙化分析，所述乳腺钙化分析包括统计钙化数量、微钙化数量、大钙化数量、钙化密度、钙化周边密度以及钙化簇。
[0015]进一步,步骤S11中所述进行格式处理包括将待分析乳腺X线影像数据转化为16位的png图像，对整张图像进行裁剪，裁剪为尺寸为512*512的图片，重叠区域设置为第一预设值。
[0016]进一步,步骤S12中进行数据增强的方法包括进行图像缩放、进行图像锐化、进行图像灰度值变换、进行图像模糊、进行图像混叠以及进行图像复制粘贴策略中的至少一种。
[0017]进一步,步骤S13包括当根据经过增强后的一张图像推理出多个结果时，将多个结果进行平均以得到图像分割结果。
[0018]进一步,所述乳腺钙化分析模型通过以下方法建立：
[0019]S1、收集含有钙化病灶的历史乳腺X线影像数据，对收集的乳腺X线影像数据进行钙化标注，形成对应的标签数据；
[0020]S2、对所述标签数据进行预处理，所述预处理包括对所述乳腺X线影像数据及其对应的标签数据进行裁剪以及对裁剪后的数据进行数据增强；
[0021]S3、根据经过数据增强的数据建立乳腺钙化分析模型，使用改进UNeXt算法对所述乳腺钙化分析模型进行模型训练。
[0022]进一步,步骤S2包括以下子步骤：
[0023]S21:将所述标签数据进行二值化，使用预设膨胀算子大小的全1矩阵，对所述标签数据的钙化点位置进行运算得到膨胀后的标签数据；
[0024]S22、根据膨胀后的标签数据目标连通域所在位置，采用512*512尺寸对乳腺X线影像数据及其对应的标签数据进行数据裁剪,重叠区域设置为第一预设值；
[0025]S23、将经过裁减后的乳腺X线影像数据及其对应的经过裁减后的标签数据随机分为N份，其中m份作为乳腺钙化分析模型的训练集，其中n份作为乳腺钙化分析模型的测试集,N＝m+n；
[0026]S24、对所述训练集和所述测试集分别进行数据增强。
[0027]进一步,步骤S3包括以下子步骤：
[0028]S31、设置乳腺钙化分析模型参数，所述设置乳腺钙化分析模型参数包括将图像尺
寸设置为512*512，将通道设置诶channels:[64，64,128,256,512,1024,2048]，将损失函数设置为Dice Loss+Focal Loss和HD Loss；
[0029]S32、进行数据划分，将所述训练集数据分成N份；
[0030]S33、进行乳腺钙化分析模型训练，使用N折交叉验证进行乳腺钙化分析模型训练，使用m份进行训练,n份进行验证；。
[0031]S34、对训练好的乳腺钙化分析模型进行测试，其中一共保存N个乳腺钙化分析模型，分别对数据增强后的测试集进行测试，然后将得到的多个分割结果图像进行平均得到最终的结果，据此评估乳腺钙化分析模型效果。
[0032]进一步,步骤S33中使用Focal Loss+Dice Loss损失函数进行若干次训练，保存在验证集上最好的模型，在焦距钙化病灶目标的同时，使用HD Loss函数修正钙化病灶边界问题，然后使用HD Loss损失函数对保存的模型进行训练，对验证集上最好的模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的乳腺钙化分析方法，其特征在于，所述方法包括步骤：S11、获取待分析乳腺X线影像数据，对其进行格式处理，处理成与乳腺钙化分析模型格式相匹配的预设格式预设尺寸的图片；S12、对进行格式处理的待分析乳腺X线影像数据进行数据增强；S13、将经过数据增强后的待分析乳腺X线影像数据输入乳腺钙化分析模型，使用所述乳腺钙化分析模型进行推理，以得到图像分割结果；S14、将所述图像分割结果按照裁剪的位置进行拼接，其中重叠的位置去掉预设边缘像素后，然后直接相加得到最终图像分割结果，根据所述最终分割结果进行乳腺钙化分析，所述乳腺钙化分析包括统计钙化数量、微钙化数量、大钙化数量、钙化密度、钙化周边密度以及钙化簇。2.根据权利要求1所述的一种基于深度学习的乳腺钙化分析方法，其特征在于：步骤S11中所述进行格式处理包括将待分析乳腺X线影像数据转化为16位的png图像，对整张图像进行裁剪，裁剪为尺寸为512*512的图片，重叠区域设置为第一预设值。3.根据权利要求2所述的一种基于深度学习的乳腺钙化分析方法，其特征在于：步骤S12中进行数据增强的方法包括进行图像缩放、进行图像锐化、进行图像灰度值变换、进行图像模糊、进行图像混叠以及进行图像复制粘贴策略中的至少一种。4.根据权利要求1所述的一种基于深度学习的乳腺钙化分析方法，其特征在于：步骤S13包括当根据经过增强后的一张图像推理出多个结果时，将多个结果进行平均以得到图像分割结果。5.根据权利要求3所述的一种基于深度学习的乳腺钙化分析方法，其特征在于，所述乳腺钙化分析模型通过以下方法建立：S1、收集含有钙化病灶的历史乳腺X线影像数据，对收集的乳腺X线影像数据进行钙化标注，形成对应的标签数据；S2、对所述标签数据进行预处理，所述预处理包括对所述乳腺X线影像数据及其对应的标签数据进行裁剪以及对裁剪后的数据进行数据增强；S3、根据经过数据增强的数据建立乳腺钙化分析模型，使用改进UNeXt算法对所述乳腺钙化分析模型进行模型训练。6.根据权利要求5所述的一种基于深度学习的乳腺钙化分析方法，其特征在于，步骤S2包括以下子步骤：S21:将所述标签数据进行二值化，使用预设膨胀算子大小的全1矩阵，对所述标签数据的钙化点位置进行运算得到膨胀后的标签数据；S22、根据膨胀后的标签数据目标连通域所在位置，采用512*512尺寸对乳腺X线影像数据及其对应的标签数据进行数据裁剪,重叠区域设置为第一预设值；S23、将经过裁减后的乳腺X线影像数据及其对应的经过裁减后的标签数据随机分为N份，其中m份作为乳腺钙化分析模型的训练集，其中n份作为乳腺钙化分析模型的测试集,N...

【专利技术属性】
技术研发人员：童云飞，张超仁，邓天然，
申请(专利权)人：上海仰和华健人工智能科技有限公司，
类型：发明
国别省市：