一种改进的乳腺钼靶图像自监督检测方法技术

本发明专利技术属于医学图像计算机辅助技术领域，具体涉及一种改进的乳腺钼靶图像自监督检测方法

【技术实现步骤摘要】
一种改进的乳腺钼靶图像自监督检测方法


[0001]本专利技术属于医学图像计算机辅助
，具体涉及一种改进的乳腺钼靶图像自监督检测方法
。

技术介绍

[0002]癌症是全球第二大死亡原因，乳腺癌占癌症病例的
19
％，占所有女性癌症的
30
％，是女性群体中最常见的癌症之一
。
乳腺癌虽然无法有效预防，但及时的诊断以及治疗可以大大提高乳腺癌患者的存活几率，也可以大大降低癌症的治疗成本
。
与其他大多数慢性疾病一样，早期乳腺癌检测应考虑两种非常明确的临床情况，第一种是有症状患者的早期诊断，第二种是无症状个体的筛查
。
[0003]乳腺癌的早期的发现与筛查主要通过两种成像方式：乳腺的超声影像和钼靶影像
。
超声成像检查具有高频探头分辨率高
、
无辐射性等优点
。
然而超声影像对极微小的细砂状或点状钙化显示不清楚
。
而乳腺钼靶成像检查虽然具有一定的放射性，但其放射性的致癌危险性接近自然发病率
。
钼靶
X
线对乳腺内的微钙化比较敏感，微钙化是乳腺癌的特征之一，尤其对大乳房和脂肪型乳房诊断性较高
、
且不受体型的限制，所以钼靶成像检查结果可以作为乳腺癌早期筛查的黄金标准之一
。
[0004]乳腺钼靶图像阅片对于放射科医生来说仍有一定难度，且阅片工作量巨大，在深度学习的发展下，开发计算机辅助系统可以大大减少医生的工作量，并且可以避免医生阅片疲劳发生的漏诊和误诊等情况
。

技术实现思路

[0005]本专利技术的目的在于提供一种改进的乳腺钼靶图像自监督检测方法
。
[0006]一种改进的乳腺钼靶图像自监督检测方法，包括以下步骤：
[0007]步骤1：获取乳腺钼靶公开数据集；
[0008]步骤2：对数据集中钼靶图像进行数据增强；
[0009]步骤3：自监督预训练；
[0010]搭建
BYOL
框架，在
BYOL
的基础上，去掉预测头，主干网络将
ResNet50
替换成
ResNet18
；在此基础上，加入尺度不变学习规则，通过几个具有不同内核大小和步长的平均池化层将特征表示调整为不同的网格大小，生成一组用于
EMD
的空间金字塔裁剪；
[0011]将钼靶图像通过主干网络提取特征后分别得到两个特征图
W
，将两个特征图展开成
HW
个
C
维向量的形式，即
X
＝
{x
i
|i
＝
1,2,
…
,HW}
，
Y
＝
{y
j
|j
＝
1,2,
…
,HW}
，使用
EMD
距离定义两个特征图的距离：
[0012][0013]其中，
c
ij
是两个特征图的距离；通过两个特征图的距离定义两个特征图的相似度：
[0014][0015]其中，是两个特征图之间的最优转换，也就是将两个特征图分别作为资源与目的地，是将资源运输到目的地的最低运输成本的最优转换；
[0016]损失函数定义如下：
[0017]L
＝2‑
2S(X,Y)
[0018]得到了损失之后根据梯度下降算法更新网络权重参数，目标网络的主干网络的权重进行动量更新的公式为：
[0019]ξ
＝
m
ξ
+(1
‑
m)
θ
[0020]其中，
ξ
是要更新的权重值；
m
为给定的动量率，且
m∈[0,1]；
[0021]步骤4：训练
Faster R
‑
CNN
网络；
[0022]步骤
4.1
：训练区域建议网络
RPN
；采用步骤3中的预训练模型对
RPN
网络进行初始化，开始单独的端到端训练
RPN
，用于生成区域建议；
[0023]步骤
4.2
：训练
R
‑
CNN
网络；冻结
RPN
网络独有的卷积层和全链接层参数，使用步骤3中的预训练模型初始化前置共享卷积网络参数，并利用
RPN
网络生成的目标候选框训练
Fast R
‑
CNN
网络参数；
[0024]步骤
4.3
：优化区域候选网络；冻结利用
Fast R
‑
CNN
训练好的前置共享卷积网络层参数，对
RPN
网络独有的卷积层以及全链接层参数进行微调的优化训练；
[0025]步骤
4.4
：优化
R
‑
CNN
网络；冻结
RPN
网络独有的卷积层和全链接层参数，对
R
‑
CNN
网络的全链接层参数进行微调的优化训练；
[0026]步骤5：将待检测的乳腺钼靶图像输入训练好的
Faster R
‑
CNN
网络中，得到乳腺钼靶图像病灶区域的检测结果
。
[0027]进一步地，所述步骤1中乳腺钼靶公开数据集是用于筛查乳腺钼靶检查的数字数据库的更新和标准化版本，包含具有经过验证的病理信息的正常
、
良性和恶性病例
。
[0028]进一步地，所述数据增强的方式包括随机水平翻转
、
随机剪裁
、
修改图像亮度
、
修改图像对比度
、
归一化
、
风格迁移；风格迁移使用
CycleGAN
网络，对多种风格的乳腺钼靶图像进行互相转换
。
[0029]本专利技术的有益效果在于：
[0030]本专利技术基于
Faster R
‑
CNN
并结合改进后的自监督预训练，提供了用于乳腺钼靶病灶区域检测的一种改进的乳腺钼靶图像自监督检测方法
。
本专利技术可以有效的乳腺钼靶图像中对病灶的区域进行检测，并进行良恶性分类，使用计算机辅助诊断系统帮助医生做辅助诊断，大大减少医生的工作量，具有重要意义
。
医疗图像的数据相比于自然图像，其难以获得并且标注的成本昂贵，所以本专利技术中的目标检测结合了自监督预训练的方法，可以利用没有标注的图像来使模型达到更好的效果
。
附图说明
[0031]图1是三种风格的乳腺钼靶图像...

【技术保护点】

【技术特征摘要】
1.
一种改进的乳腺钼靶图像自监督检测方法，其特征在于，包括以下步骤：步骤1：获取乳腺钼靶公开数据集；步骤2：对数据集中钼靶图像进行数据增强；步骤3：自监督预训练；搭建
BYOL
框架，在
BYOL
的基础上，去掉预测头，主干网络将
ResNet50
替换成
ResNet18
；在此基础上，加入尺度不变学习规则，通过几个具有不同内核大小和步长的平均池化层将特征表示调整为不同的网格大小，生成一组用于
EMD
的空间金字塔裁剪；将钼靶图像通过主干网络提取特征后分别得到两个特征图将两个特征图展开成
HW
个
C
维向量的形式，即
X
＝
{x
i
|x
＝
1,2,
…
,HW}
，
Y
＝
{y
j
|j
＝
1,2,
…
,HW}
，使用
EMD
距离定义两个特征图的距离：其中，
c
ij
是两个特征图的距离；通过两个特征图的距离定义两个特征图的相似度：其中，是两个特征图之间的最优转换，也就是将两个特征图分别作为资源与目的地，是将资源运输到目的地的最低运输成本的最优转换；损失函数定义如下：
L
＝2‑
2S(X,Y)
得到了损失之后根据梯度下降算法更新网络权重参数，目标网络的主干网络的权重进行动量更新的公式为：
ξ
＝
m
ξ
+(1
‑
m)
θ
其中，
ξ
是要更新的权重值；
m
为给定的动量率，且
m∈[0,1]
；步骤4：训练
FasterR
‑
CNN
网络；步骤
4.1
：训练区域建议网络
R...

【专利技术属性】
技术研发人员：莫宏伟，孙琪，徐立芳，孙鹏，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：