【技术实现步骤摘要】
本专利技术涉及深度学习和超声图像识别，更具体地，涉及一种基于深度卷积神经网络的乳腺超声图像分析方法和系统。
技术介绍
1、乳腺癌超声图像可以为医疗人员诊断乳腺癌提供辅助参考，通过对乳腺超声图像进行分析，能够识别、标注图像中乳腺结节区域，并判断结节类型，从而为医疗人员提供即时、高鲁棒性、高精度、可视化的辅助诊断参考。然而，传统的乳腺超声图像通常基于医生的人眼识别，人眼往往会存在难以发现、难以辨别的乳腺癌，从而降低乳腺癌的检出率和准确性，更严重的还可能导致医疗漏诊和误诊事故，极大地影响医疗质量。
2、现有技术中公开了一种基于人工智能的乳腺癌超声图像诊断辅助方法，方法包括图像预处理和卷积神经网络模型的训练，首先，在数据预处理部分，该现有技术采用拉普拉斯算子对图像进行边缘提取与锐化，增强图像清晰度，同时对图像进行数据增强和标准化处理；其次，在模型训练部分，该现有技术采用repvgg作为基线模型，结合注意力机制模块，将位置信息嵌入通道注意力中，并替换网络模型的最后一层为自定义多分支卷积结构，采用交叉熵损失和焦点损失的加权和结果作为模型的损失函数，最后通过消融实验，得出网络的最优模型；尽管该现有技术中的方法能够实现自动分析乳腺超声图像，但该现有技术中的神经网络模型的特征提取能力不足，存在切割边缘不平滑的问题。
3、除此之外，大部分现有的基于机器学习的乳腺超声图像分析方法中，结节图像分割和结节图像分类是两个独立任务，对应两个端到端的深度神经网络模型，由于训练目标和模型结构的不同，两个神经网络模型学习所学习的样本分布会普
技术实现思路
1、本专利技术为克服上述现有技术对于乳腺超声图像的特征提取能力不足、切割边缘不平滑，以及分析结果易出错的缺陷，提供一种基于深度卷积神经网络的乳腺超声图像分析方法和系统，将分割任务和分类任务融合为一个任务，能够在不显著增加模型参数的情况下，显著提高模型的特征提取能力和预测结果边缘的平滑，同时提高分析结果的精准度。
2、为解决上述技术问题，本专利技术的技术方案如下：
3、一种基于深度卷积神经网络的乳腺超声图像分析方法，包括以下步骤：
4、s1：获取乳腺超声图像数据集并进行预处理；
5、s2：建立乳腺超声图像分析神经网络模型；
6、所述乳腺超声图像分析神经网络模型包括并列设置的结节图像分割网络和结节类型初步分类网络，以及结节类型二次分类网络；
7、所述结节图像分割网络和结节类型初步分类网络的输出均与结节类型二次分类网络的输入连接；
8、所述结节图像分割网络用于分割结节图像并提取结节图像的特征图；所述结节类型初步分类网络用于对结节类型进行初步预测；所述结节类型二次分类网络用于将结节图像的特征图与结节类型的初步预测结果进行融合，并进行二次预测，将结节图像的分割结果和结节类型的二次预测结果共同作为乳腺超声图像的分析结果；
9、s3：将预处理后的乳腺超声图像数据集输入乳腺超声图像分析神经网络模型中进行迭代训练，获取训练好的乳腺超声图像分析神经网络模型；
10、s4：获取待分析的乳腺超声图像，将待分析的乳腺超声图像输入训练好的乳腺超声图像分析神经网络模型中，获取结节图像的分割结果和结节类型的二次预测结果，完成乳腺超声图像的分析。
11、优选地，所述步骤s1中的预处理包括：图像尺寸裁剪、图像中心裁剪、数值归一化和施加随机扰动；
12、所述随机扰动包括随机参数的亮度扰动和色度扰动，以及高斯噪声、随机像素擦除。
13、优选地，所述步骤s2中的结节图像分割网络具体结构为：
14、所述结节图像分割网络包括：第一编码器、第一解码器、第一卷积注意力模块、第二卷积注意力模块和第一卷积平滑模块；
15、所述第一编码器、第一卷积注意力模块、第一解码器和第一卷积平滑模块依次连接；所述第一编码器的输出还与第二卷积注意力模块的输入连接，第二卷积注意力模块的输出与第一编码器的输出构成残差加和连接，残差加和结果还与第一解码器的输入连接；
16、所述第一编码器包括：依次连接的下采样模块和最大池化层；
17、所述下采样模块包括：若干个依次连接的卷积块，每个卷积块均包括：依次连接的卷积层、批归一化层和relu激活层；
18、所述第一解码器包括：依次连接的若干个上采样层；
19、所述第一卷积平滑模块包括：依次连接的平滑卷积层1、平滑卷积层2、平滑卷积层3和平滑卷积层4；
20、所述平滑卷积层1和平滑卷积层3的输入通道为a、输出通道为b，a和b分别为第一和第二正整数，满足a<b；所述平滑卷积层2和平滑卷积层4的输入通道为b，输出通道为a；
21、所述平滑卷积层1和平滑卷积层2的卷积核大小相同，平滑卷积层3和平滑卷积层4的卷积核大小相同。
22、优选地，所述步骤s2中的结节类型初步分类网络具体结构为：
23、所述结节类型初步分类网络包括：第二编码器、第二解码器、第三卷积注意力模块、第四卷积注意力模块、第二卷积平滑模块、第一多层感知机、第二多层感知机和分类器；
24、所述第二编码器、第三卷积注意力模块、第二解码器、第二卷积平滑模块、第一多层感知机和分类器依次连接；所述第二编码器的输出还与第四卷积注意力模块的输入连接，第四卷积注意力模块的输出与第二编码器的输出构成残差加和连接，残差加和结果还与第二解码器的输入连接；
25、所述第三卷积注意力模块的输出还与第二多层感知机的输入连接，第二多层感知机的输出与分类器的输入连接；
26、所述第二编码器包括：依次连接的下采样模块和最大池化层；
27、所述下采样模块包括：若干个依次连接的卷积块，每个卷积块均包括：依次连接的卷积层、批归一化层和relu激活层；
28、所述第二解码器包括：依次连接的若干个上采样层；
29、所述第二卷积平滑模块包括：依次连接的平滑卷积层1、平滑卷积层2、平滑卷积层3和平滑卷积层4；
30、所述平滑卷积层1和平滑卷积层3的输入通道为a、输出通道为b，a和b分别为第一和第二正整数，满足a<b；所述平滑卷积层2和平滑卷积层4的输入通道为b，输出通道为a；
31、所述平滑卷积层1和平滑卷积层2的卷积核大小相同，平滑卷积层3和平滑卷积层4的卷积核大小相同。
32、优选地，所述步骤s2中，结节类型初步分类网络的分类器的输出具体为：
33、
34、
35、
36、
37、其中，为分类器输出的结节类型概率的初步预测结果；为第二解码器的输出；为第三卷积注意力模块的输出；为第一中间向量，和分别为第一多层感知机的第本文档来自技高网...
【技术保护点】
1.一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述步骤S1中的预处理包括：图像尺寸裁剪、图像中心裁剪、数值归一化和施加随机扰动；
3.根据权利要求1所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述步骤S2中的结节图像分割网络具体结构为：
4.根据权利要求1所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述步骤S2中的结节类型初步分类网络具体结构为：
5.根据权利要求4所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述步骤S2中，结节类型初步分类网络的分类器的输出具体为：
6.根据权利要求3和4所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述第一卷积平滑模块和第二卷积平滑模块中，平滑卷积层1和平滑卷积层3的输入通道为1、输出通道为2；平滑卷积层2和平滑卷积层4的输入通道为2，输出通道为1；
7.根据权利要求1所述
8.根据权利要求1所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述步骤S3中，对结节图像分割网络迭代训练时，利用Tversky损失函数进行训练；
9.根据权利要求1所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述步骤S3中，对结节图像分割网络迭代训练时，利用交叉熵损失函数进行训练；
10.一种基于深度卷积神经网络的乳腺超声图像分析系统，应用权利要求1~9任意一项中所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述步骤s1中的预处理包括：图像尺寸裁剪、图像中心裁剪、数值归一化和施加随机扰动；
3.根据权利要求1所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述步骤s2中的结节图像分割网络具体结构为：
4.根据权利要求1所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述步骤s2中的结节类型初步分类网络具体结构为：
5.根据权利要求4所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述步骤s2中，结节类型初步分类网络的分类器的输出具体为：
6.根据权利要求3和4所述的一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，所述第一...
【专利技术属性】
技术研发人员：何坤燕，温欣，卢吴柱，黄涌泉，陈晓波，林宇红，苏中振，
申请(专利权)人：中山大学附属第五医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。