[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

说明书

本发明提出了一种基于深度残差网络的乳腺钼靶图像肿块语义分割方法，包括以下步骤：标注收集的乳腺钼靶图像对应肿块和正常组织的像素类别，生成标签图像，连同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；预处理训练样本后，形成一个训练数据集；构建一个深度残差网络，利用训练数据集训练网络，得到深度残差网络训练模型；预处理待分割乳腺钼靶图像肿块后，利用深度残差网络训练模型对待分割的乳腺钼靶图像像素进行二分类和后处理，输出肿块分割图像，实现乳腺钼靶图像肿块的语义分割。本发明能够有效提高乳腺钼靶图像肿块分割的自动化和智能化水平，可应用于辅助放射科医生进行医学诊断等技术领域。

技术领域

本发明涉及机器学习和数字医学图像处理与分析领域，具体涉及一种基于深度残差网络的乳腺钼靶图像肿块语义分割方法。

背景技术

乳腺癌已成为全球范围女性常见的恶性肿瘤，也是主要的女性癌症死因。我国女性乳腺癌发病率呈年轻化和逐年上升之势，每年死于乳腺癌的人数多达20万，给女性健康带来了灾难性的恐慌。早期检测以便改善乳腺癌结果和存活率，仍然是乳腺癌控制的基石。乳腺钼靶摄影术具有空间分辨率较高，能够显示乳腺癌的早期症状，被公认为乳腺癌早期诊断的最可靠、最便捷的方法。随着计算机以及图像处理技术的迅速发展，利用计算机辅助诊断技术辅助临床医生检测图像中的可疑病灶，降低诊断的假阳性率对乳腺癌早期诊断至关重要。肿块分割是计算机辅助诊断系统的重要环节，良好的分割能更准确地反映肿块的病理特征，为后续特征提取和诊断提供依据，但肿块弱边缘和周围组织的干扰给肿块的精确分割带来一定的挑战。

目前，已有众多国内外研究人员在肿块分割方面做了一些研究工作，大致可分为基于像素点的方法、基于区域的方法以及基于边缘的方法三类。专利号为201610523605.8的发明专利《基于乳腺子区域密度聚类的乳腺肿块分割系统及方法》，包括预处理单元、分割窗口单元、密度特征提取单元、聚类单元和分割结果可视化单元。然而，这些方法都有其致命缺陷——仅仅依赖于单一灰度信息或一些简单特征来获取分割结果。由于单一的简单特征不足以准确地表征肿块，虽然这些方法实现起来较为容易，但是在分割复杂边缘肿块时往往得不到令人不满意的结果。

考虑到肿块轮廓的重要性，为了使分割结果更加准确，不少学者提出使用活动轮廓模型对初始分割结果进行优化。设计思路大致为：首先利用一些方法对图像中像素点灰度信息进行分析得到肿块粗边缘，然后利用水平集(Levelset)方法细化初始分割得到最终结果。通过引入基于像素点梯度信息的水平集方法使分割结果得到了一些改善，但在整个细化过程中，水平集的变化是基于区域梯度信息的，由于肿块区域边缘梯度不明显，导致这些方法的分割结果可信度大打折扣。

为进一步降低肿块区域背景与前景灰度分布带来的影响，不少学者提出了基于无边缘活动轮廊(Active ContourWithout Edge)模型的乳腺肿块分割方法，又称为CV模型。然而，CV模型有其自身不可避免的缺陷，当前景和背景区域内分布不均匀时，CV模型中水平集内外部特性参数并不能准确表述图像局部特征。另一方面，乳腺钼靶图像中肿块附近的正常组织与肿块特征极为相似，而且这些区域强度分布也很不均匀。因此，CV在处理低对比度且肿块内外灰度波动较大的ROI(region ofinterest，感兴趣区)图像时，分割结果往往不理想。

近年来，深度学习在语音识别、目标检测、图像识别和遥感图像分类等应用领域获得了很大进展，成为当前的研究热点之一。与传统模式识别方法相比，深度网络具有更强大的特征学习和特征表达能力。特别地，深度残差学习很好地解决了深度网络训练难的问题，使得网络层数达到了一个新高度，这为设计对泛化性能和精度要求高的分割模型提供了可能。

发明内容

本发明要解决的技术问题是提出一种能够分割乳腺肿块和正常组织的基于深度残差网络的乳腺钼靶图像肿块语义分割方法。

为了解决上述技术问题，本发明提出一种基于深度残差网络的乳腺钼靶图像肿块语义分割方法，包括以下步骤：