System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度学习、计算机视觉和医学图像领域,提出一种基于图像相关性建模的乳腺超声图像分割方法。
技术介绍
1、据2023年肿瘤数据统计,乳腺癌、肺癌和结直肠癌将占所有新增女性病例数的52%,仅乳腺癌就占据31%,预估美国2023年的乳腺癌发病数将达到300590例,死亡病例数将43700例,且乳腺癌的发病率逐年上升并且逐渐年轻化。这些数据表明乳腺肿瘤已经严重影响女性的生存质量和生命健康,但是通过有效的方法早期及时发现肿块并干预能有效降低乳腺癌死亡率。
2、临床上,针对乳腺肿块的诊断方式包括钼靶检查、核磁共振和超声影像。钼靶检查虽然可以发现乳腺的钙化情况,但是其放射性可能会对检验科医生和受检病例的健康有潜在隐患。核磁共振检查对恶性肿瘤有较高的敏感度,但核磁共振对设备要求高,价格昂贵,检查费时且需静脉注射增强剂。超声检查具有无创性和无辐射性,不会对受检病例造成继发痛苦,且该方式对乳腺早期的低回声病灶比较敏感,是乳腺肿瘤患者早期诊断的良好辅助手段,在乳腺肿瘤患者后续的治疗中,也可以帮助定位乳腺肿瘤的具体位置和判定肿瘤和周边组织的边界。
3、但是在乳腺超声成像中,由于成像过程中引入了各种超声伪影,包括散斑噪声高、对比度低、边界模糊、信噪比低、强度不均匀等问题,病灶与其他组织会存在不易区分且边界模糊的情况,且不同病人的乳腺病灶在形状和大小上也会存在很大差别,所以在自动分割方面仍然具有很大的挑战。此外,由于乳腺超声成像需要医生根据具体情况手动操作,但是医生在临床诊断过程中对超声乳腺图像的判读具有较强的主观性,受
4、本专利技术的创新点与现有技术的区别
5、现有的乳腺超声图像分割方法主要有两类,一类是基于机器学习的分割方法,一类是基于深度学习的分割方法。基于机器学习的乳腺超声分割方法包括基于阈值的分割方法和基于分水岭的分割方法等,但是该类方法需要手动设置初始参数,初始参数的准确性对最终分割结果会有很大影响,分割结果较容易受人为影响。基于深度学习的乳腺肿瘤分割方法主要受unet的影响,之后的较多网络均是在此基础上做出改进。unet方法包括编码器和解码器两部分,编码器用以提取特征,解码器用来将特征图像恢复至原始大小。后续的改进网络多是从图像本身出发,忽略了图像之间的关联性,本专利技术通过建模图像间的关联性,以引导网络跨图像学习肿瘤区域和背景区域的特征。
技术实现思路
1、本专利技术为了解决现有乳腺超声图像在分割病灶时精度不够高的问题,通过关注乳腺超声图像间的相关性,引导网络学习不同图像中的肿块所共有的特征,以达到更好的分割性能。
2、本专利技术采用的技术方案为一种基于图像相关性建模的乳腺超声图像的分割方法,该方法将原始超声图像作为网络的输入,经过训练输出与输入图像相同尺寸的预测分割图。该方法包括数据预处理、三分类标签生成、模型ciaf-unet构建与训练三个过程。
3、本专利技术网络结构见图1,具体方法步骤如下:
4、步骤一:对乳腺超声数据进行预处理
5、(1)由于乳腺超声图像数据集过小,本专利技术采取水平翻转、垂直翻转和弹性变形的方式进行数据增强,缓解数据集少导致的过拟合问题,数据增强结果如图2所示。
6、(2)此外,乳腺超声图像由于其特殊的成像方式,所以生成的图像质量分辨率不高,本专利技术采用直方图均衡化的方式对其进行预处理,生成具有均匀灰度概率密度分布的新图像,增加图像对比度,如图3所示。
7、(3)将数据集按照原始良恶性比例划分为训练集、验证集和测试集(8∶1∶1)。
8、步骤二:基于公开乳腺超声数据集的分割标签生成三分类标签
9、由于人体乳腺结构基本一致,本专利技术基于乳腺结构和肿块结构之间的共性,构建三分类标签,如图4所示。在含有肿块的不同的乳腺超声图像中,将两张二维乳腺超声图像展开为一维,对应像素点如果属于不同的类别,则标记为0;如果同属于背景区域,则标记为1;如果同属于肿瘤区域,则标记为2,如公式(1)所示。将上述过程得到的标签转换为onehot编码。
10、
11、步骤三:构建网络模型ciaf-unet并训练
12、(1)本专利技术提出ciaf-unet模型以学习图像间肿块区域和背景区域之间的关系,使网络达到更好的分割性能。模型由编码器和解码器两部分组成,编码器采用卷积模块和池化模块组成,卷积模块用以提取乳腺超声图像的特征,池化模块用以缩小图像尺寸,以扩大卷积视野;解码器由卷积模块和反卷积模块组成,用以恢复图像大小至原始尺寸。在编码器的最后一层加入ciaf模块,通过memory bank和focal loss损失函数,以学习跨图像特征,如图5所示。
13、(2)将预处理后的图像按批次输入网络中,一张乳腺超声图像对应输出两张概率图,attentionmap和最终的概率图。attentionmap在模型编码器的最底层输出,结合深监督和focal loss,计算损失函数如公式(2)-公式(3)所示。
14、
15、
16、模型最终输出的概率图在模型解码器的最后一层输出,和乳腺超声图像的分割标签计算损失函数以训练网络模型参数,损失函数采用dice损失和bce损失相结合的方法,直至模型收敛,如公式(4)-公式(6)所示。
17、
18、
19、
20、本专利技术提出了一种基于图像相关性建模的乳腺超声图像的分割方法ciaf-unet。基于乳腺超声图像中的背景区域和肿瘤区域的特征一致性,本方法在模型编码器的最后一层引入ciaf模块,引导网络学习更关键的信息。本方法采用队列数据结构,使用先进先出的方式构建小型存储区以存储前期训练过的临近图像,通过三分类标签引导网络学习当前乳腺超声图像和存储区中乳腺超声图像之间的相关关系。由于乳腺超声图像中的肿块区域仅仅占据小部分面积,本方法提出注意力的方法以突出肿块区域的特征,并引入focal loss损失函数,以减小肿块区域像素点过少带来的样本不均衡问题。本专利技术在公开的数据集udiat上进行了实验,实验结果表明了该方法的有效性。
本文档来自技高网...【技术保护点】
1.一种基于图像相关性建模的乳腺超声图像分割方法,其特征在于:该方法包括数据预处理、三分类标签生成、模型CIAF-UNet构建与训练三个过程。具体步骤如下:
【技术特征摘要】
1.一种基于图像相关性建模的乳腺超声图像分割方法,其特征在于:该方法包括数据预...
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。