一种基于乳腺超声横纵切面特征结节的分割与识别方法技术

本发明专利技术公开了一种基于乳腺超声横纵切面特征结节的分割与识别方法，涉及乳腺结节检测技术领域，该方法实现了结节检测、提取、外扩、调整固定尺寸，以及最后结节横纵切面的良恶识别。针对结节横纵切面设计了一种双路深度神经分类网络，该网络能够分别对结节横切面、纵切面数据进行特征提取和计算。将Resnet101提取的横切面特征与DenseNet161提取的纵切面特征concat起来，然后送入两层全连接网络，进行特征降维和特征相似计算，经过过softmax输出最终的分类结果。本发明专利技术提出的双路深度神经网络分类网络有效融合乳腺超声横纵切面的特征，提高了模型的良恶分类能力和鲁棒性。高了模型的良恶分类能力和鲁棒性。高了模型的良恶分类能力和鲁棒性。

【技术实现步骤摘要】
一种基于乳腺超声横纵切面特征结节的分割与识别方法


[0001]本专利技术涉及乳腺结节检测
，特别是涉及一种基于乳腺超声横纵切面特征结节的分割与识别方法。

技术介绍

[0002]在世界范围内，乳腺癌以其高发病率、高死亡率严重威胁女性身体健康。早期乳腺癌患者预后效果较好，但是晚期乳腺癌患者预后较差，急需更有效的治疗方案，但因其发病机理不确定性和病情隐匿，使得早期乳腺癌很难被发现。目前有关乳腺癌的发病原因尚没有统一的认识，所以全面综合对乳腺癌进行了解和研究已经成为医工学界急需解决的问题。近些年也有大量学者就乳腺癌领域进行了大量的工作，取得了相当重要的研究成果，同时根据相关研究数据表明，乳腺癌早期发现和早期治疗对降低乳腺癌的发病率和死亡率具有十分重要的意义。
[0003]解读医疗影像需要专业的经验和技能，结果的准确性往往依赖于操作员的经验水平。不同的操作员可能对同一图像有不同的解读，可能导致诊断的不一致性。且目前现有技术无法区分某些病变，这可能导致漏诊或延迟诊断，特别是在早期疾病阶段。某些医疗影像技术，如X射线和CT扫描，会产生辐射暴露。虽然辐射水平通常是安全的，但长期或过度的暴露可能对患者的健康产生潜在风险。
[0004]人工智能是精准医学时代重要的发展方向，大数据的发展、医疗资源的紧缺、诊疗模式的转变为人工智能提供了很大的机遇。目前，人工智能已在医学影像、病理、辅助决策系统等方面取得一定的进展。同时疾病进展预测和更早更准确地诊断意味着可以节省更多的医疗费用和拯救更多的生命。人工智能可以自动执行图像分析和解读，减轻医生的工作负担并提高诊断的效率。它可以快速处理大量的医疗影像数据，加快诊断速度，有助于及早发现病变并提供更及时的治疗。人工智能在医疗影像解读中具有较高的准确性和一致性。通过训练算法和大规模数据集，人工智能可以识别和分析图像中的特征，并提供更可靠的诊断结果。它可以帮助减少人为误差和主观性，提高诊断的一致性。

技术实现思路

[0005]为了解决以上技术问题，本专利技术提供一种基于乳腺超声横纵切面特征结节的分割与识别方法，包括以下步骤
[0006]S1、乳腺超声图像处理：将乳腺超声图像调整为固定尺寸640x640，并对图像采用数据增强方法扩充数据集；
[0007]S2、将乳腺超声图像送入yolov5结节检测网络进行结节检测，输出结节相对坐标位置，根据原始图像大小，通过图像处理算法得到原始乳腺超声图像的结节的绝对坐标位置；
[0008]S3、通过图像处理算法，取结节外接矩形框的最长边*0.15作为外扩的像素距离，将外扩的像素距离加在结节的最长边和最短边上，得到新的结节矩形框的坐标；
[0009]S4、按照原始结节的宽高比将结节resize到224x224，最短边不足224则采用像素0进行填充，从而得到乳腺结节横纵切面；
[0010]S5、将乳腺结节横纵切面送入双路深度神经分类网络，对结节进行良恶分类。
[0011]本专利技术进一步限定的技术方案是：
[0012]进一步的，步骤S2中，修改yolov5结节检测网络参数，batch size＝8，learning rate＝0.001，multis scale＝0.5。
[0013]前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，步骤S2中，yolov5结节检测网络包括backbone模块、NecK模块以及head模块，backbone模块用于乳腺超声特征提取，Neck模块用于对backbone模块提取的不同大小特征图谱进行组合，head模块用于对不同大小的结节进行检测。
[0014]前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，Backbone模块中，输入依次通过2个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块以及1个SSPF模块；
[0015]在CBS模块中，输入依次经过Conv2d、BatchNorm以及SILU；CSP1模块的输出依次通过1个CBS模块和1个Resx模块得到特征图谱，将CSP1模块的输出通过CBS模块得到的特征与特征图谱concat起来，最后再通过CBS模块；在SSPF模块中，将通过1个CBS模块的特征和分别通过3个maxpool模块的特征concat起来，然后输入CBS模块。
[0016]前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，Resx模块中，输入分别通过步长为1的CBS模块和步长为3的CBS模块，使用Shortcut模块连接Resx模块的输入和输出。
[0017]前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，Neck模块包括CBS模块和CSP2模块；CSP2模块的输出依次通过1个CBS模块和1个Resx模块得到特征图谱，将CSP2模块的输出通过CBS模块得到的特征与特征图谱concat起来，最后再通过CBS模块；
[0018]backbone模块的SSPF模块输出特征经过Neck模块的第1个CBS模块上采样到256x40x40，然后与backbone模块的第3个CSP1模块中的Resx*3输出的特征concat后，再通过第1个CSP2模块；接着通过第二个CBS模块上采样到128x40x40，然后与backbone模块的第2个CSP1模块中的Resx*2输出的特征concat后，再通过第2个CSP2模块；将第2个CSP2模块的输出特征通过第3个CBS模块降采样后，与第2个CBS模块输出的特征concat成256x40x40；然后将依次通过第3个CSP2模块和第4个CBS模块得到特征向量与第1个CBS模块的特征concat成512x20x20，最后通过第4个CSP2模块。
[0019]前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，CSP2模块的Resx模块与CSP1模块的Resx模块不同，CSP2模块的Resx模块中，输入分别通过步长为1的CBS模块和步长为3的CBS模块，不包含Shortcut模块。
[0020]前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，Head模块包括三个不同尺度的检测器，Neck模块的第2个CSP2模块、第3个CSP2模块以及第4个CSP2模块的输出特征单独通过1个Conv后分别输入至三个检测器中。
[0021]前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，步骤S5的双路深度神经分类网络中，首先通过Resnet101网络进行横切面结节特征提取，通过DenseNet161网络进行纵切面结节特征提取，将Resnet101网络和DenseNet161网络输出的
特征向量concat后，利用2层全连接层进行计算和降维，且通过后一全连接层将降维后的特征向量进行组合计算后经过Softmax输出分类结果。
[0022]前所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，Resnet101网络输出的特征向量通过一层avg pool本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于乳腺超声横纵切面特征结节的分割与识别方法，其特征在于：包括以下步骤S1、乳腺超声图像处理：将乳腺超声图像调整为固定尺寸640x640，并对图像采用数据增强方法扩充数据集；S2、将乳腺超声图像送入yolov5结节检测网络进行结节检测，输出结节相对坐标位置，根据原始图像大小，通过图像处理算法得到原始乳腺超声图像的结节的绝对坐标位置；S3、通过图像处理算法，取结节外接矩形框的最长边*0.15作为外扩的像素距离，将外扩的像素距离加在结节的最长边和最短边上，得到新的结节矩形框的坐标；S4、按照原始结节的宽高比将结节resize到224x224，最短边不足224则采用像素0进行填充，从而得到乳腺结节横纵切面；S5、将乳腺结节横纵切面送入双路深度神经分类网络，对结节进行良恶分类。2.根据权利要求1所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，其特征在于：所述步骤S2中，修改yolov5结节检测网络参数，batch size＝8，learning rate＝0.001，multis scale＝0.5。3.根据权利要求1所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，其特征在于：所述步骤S2中，yolov5结节检测网络包括backbone模块、NecK模块以及head模块，backbone模块用于乳腺超声特征提取，NecK模块用于对backbone模块提取的不同大小特征图谱进行组合，head模块用于对不同大小的结节进行检测。4.根据权利要求3所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，其特征在于：所述Backbone模块中，输入依次通过2个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块、1个CBS模块、1个CSP1模块以及1个SSPF模块；在CBS模块中，输入依次经过Conv2d、BatchNorm以及SILU；CSP1模块的输出依次通过1个CBS模块和1个Resx模块得到特征图谱，将CSP1模块的输出通过CBS模块得到的特征与特征图谱concat起来，最后再通过CBS模块；在SSPF模块中，将通过1个CBS模块的特征和分别通过3个maxpool模块的特征concat起来，然后输入CBS模块。5.根据权利要求4所述的一种基于乳腺超声横纵切面特征结节的分割与识别方法，其特征在于：所述Resx模块中，输入分别通过步长为1的CBS模块和步长为3的CBS模块，使用Shortcut模块连接Resx模块的输入和输出。6.根据权利要求3所述的一种基于乳腺超声横...

【专利技术属性】
技术研发人员：石一磊，谭斌，胡敬良，牟立超，曹旭，赵星，张雷，
申请(专利权)人：脉得智能科技无锡有限公司，
类型：发明
国别省市：