[发明专利]基于深度残差网络的乳腺钼靶图像肿块语义分割方法

权利要求书

1.基于深度残差网络的乳腺钼靶图像肿块语义分割方法，其特征在于包括以下步骤：

S1、标注收集的乳腺钼靶图像对应乳腺肿块和正常组织的像素类别，生成标签图像，并将乳腺钼靶图像及其对应的标签图像分成训练样本和测试样本；

S2、预处理训练样本后，形成一个训练数据集；

所述步骤S2中预处理训练样本后形成一个训练数据集的方法如下：

2.1、增强训练样本中乳腺钼靶图像的对比度；

计算每幅乳腺钼靶图像乳房区域像素强度的平均值，将低于像素强度平均值的任何像素值设置为0，并线性地缩放其余像素值以覆盖整个0-255强度范围；

2.2、调整乳腺钼靶图像及其对应标签图像的尺寸；

对步骤2.1对比度增强后的乳腺钼靶图像像素值进行Lanczos插值，而对于其对应的标签图像像素值则进行最近邻插值，然后计算标签图像中包围乳房区域的边界框，并用此边界框在标签图像及其对应乳腺钼靶图像进行裁剪；

2.3、扩增训练样本数据：

将步骤2.2处理后的每幅乳腺钼靶图像及其对应标签图像进行旋转n×90°，n＝0,1,2,3，并将旋转后获得的图像进行左右镜像，生成训练数据集；

S3、构建一个深度残差网络，利用训练数据集训练网络，并进行超参数搜索，得到深度残差网络训练模型；

所述步骤S3中深度残差网络只含有卷积层，并使用膨胀卷积进行池化；

所述步骤S3中深度残差网络包含10个卷积层，其中第一层至第九层含有LRELU激活单元，总共有894017个可学习参数，接受野尺寸为228×228；

第一层：输入图像数据为116×116像素图像，填充值是2，滤波器窗口大小为6×6，步长为2，膨胀值为1，经过LRELU单元激活后输出数据为58×58×32，可学习参数1184个；

第二层：输入数据58×58×32，填充值是1，滤波器窗口大小为3×3，步长为1，膨胀值为1，经过LRELU单元激活后输出数据为58×58×32，可学习参数9248个；

第三层：输入数据58×58×32，填充值是1，滤波器窗口大小为3×3，步长为2，膨胀值为1，经过LRELU单元激活后输出数据为29×29×64，可学习参数18496个；

第四层：输入数据29×29×64，填充值是1，滤波器窗口大小为3×3，步长为1，膨胀值为1，经过LRELU单元激活后输出数据为29×29×64，可学习参数36928个；

第五层：输入数据29×29×64，填充值是2，滤波器窗口大小为3×3，步长为1，膨胀值为2，经过LRELU单元激活后输出数据为29×29×128，可学习参数73856个；

第六层：输入数据29×29×128，填充值是2，滤波器窗口大小为3×3，步长为1，膨胀值为2，经过LRELU单元激活后输出数据为29×29×128，可学习参数147584个；

第七层：输入数据29×29×128，填充值是2，滤波器窗口大小为3×3，步长为1，膨胀值为2，经过LRELU单元激活后输出数据为29×29×128，可学习参数147584个；

第八层：输入数据29×29×128，填充值是2，滤波器窗口大小为3×3，步长为1，膨胀值为2，经过LRELU单元激活后输出数据为29×29×128，可学习参数147584个；

第九层：输入数据29×29×128，填充值是4，滤波器窗口大小为3×3，步长为1，膨胀值为4，经过LRELU单元激活后输出数据为29×29×256，可学习参数295168个；

第十层：输入数据29×29×256，填充值是14，滤波器窗口大小为8×8，步长为1，膨胀值为4，输出数据为29×29×1，可学习参数16385个；

所述深度残差网络第十层的输出数据经过双线性插值，得到乳腺钼靶图像每个像素所属类别的概率热图，大小为116×116像素；

所述步骤S3中通过训练数据集训练深度残差网络建立深度残差网络分割模型时采用加权的logistic代价函数J(Θ)，函数J(Θ)公式如下所示：

其中：e为自然底数；m为训练数据集的样本数量；h_Θ(x)为网络的预测类别概率向量；K为训练样本的类别数量；x⁽ⁱ⁾为训练数据集中第i幅图像；y⁽ⁱ⁾∈{0,1}，为训练数据集中第i幅图像对应的标签图像；式中第二项是L2范数正则化项，λ为L2范数正则化参数；l为当前神经元所在的神经元层数；L为神经网络的总层数；s^(l)为层l的单元数量；为模型参数；

对于加权的logistic代价函数J(Θ)，乳腺钼靶图像肿块分割错误时的权重值设定为0.9，乳腺钼靶图像正常组织分割错误时的权重值设定为0.1，对于乳腺钼靶图像背景分割错误时的权重值设定为0，从而解决了乳腺钼靶图像像素类别数据不平衡的问题；

所述深度残差网络训练时在每个卷积层的LRELU单元后采用L2范数正则化网络以减少权重之间的方差，并使用dropout方法按照一定的概率p从深度残差网络中删除节点，减少过拟合的发生；

所述深度残差网络训练时使用dropout方法从第一层到第九层的卷积层删除节点的概率p依次设定为0.9、0.9、0.8、0.8、0.7、0.7、0.7、0.7和0.6；

深度残差网络训练30个epoch，训练过程中对学习率α和L2范数正则化参数λ进行超参数搜索，学习率α为0.002，L2范数正则化参数λ为0.03，得到深度残差网络训练模型；

S4、待分割乳腺钼靶图像经过预处理后，利用深度残差网络训练模型对该图像的每个像素进行二分类和后处理，输出肿块分割结果；

后处理为将步骤S3所获得概率热图中值为0的像素在待分割乳腺钼靶图像中分类为背景像素，将概率热图中值大于0.95的非图像背景像素在待分割乳腺钼靶图像中分类为肿块，其余剩下的像素待分割乳腺钼靶图像中分类为正常组织，得到带分割乳腺钼靶图像肿块的最终分割结果。