[发明专利]一种基于深度学习自动分割乳腺钙化点的方法

说明书

本发明涉及乳腺X射线辅助诊断技术，旨在提供一种基于深度学习自动分割乳腺钙化点的方法。包括步骤：制作数据集；数据预取；构建深度卷积神经网络；利用归一化处理后的数据集，训练深度卷积神经网络；利用训练完毕的深度卷积神经网络对待检测图像进行推理。本发明通过引入深度卷积神经网络学习与训练的相关技术，可以快速、自动分割出乳腺X射线图像上的所有钙化点。基于该本发明的应用，能够辅助提高医生判断癌变的准确性。

技术领域

本发明涉及乳腺X射线辅助诊断技术，特别涉及一种基于深度学习自动分割乳腺钙化点的方法。

背景技术

计算机辅助诊断是医学影像领域的一个重要课题，随着人工智能的兴起，计算机图像处理，模式识别已经越来越多的应用于辅助医学诊断领域，通过获取不同类型的医学影像，对其中的病灶进行分割和良恶性识别能够辅助医生更加清晰的观察病变部位，更加准确的识别病变的特性，具有非常重要的意义。

乳腺癌已经发展成为女性最常见的癌症之一，研究表明一期乳腺癌的治愈率可达到95％。因此越早发现乳腺癌，越早介入治疗会有比较高的治愈率。利用乳腺X射线成像技术研究乳腺组织中的钙化点极其分布已经成为诊断乳腺癌的重要标准。而乳腺中的钙化点微小且大量分布在乳腺组织上，人工阅片很难找到所有的钙化点和一些直径小于5mm的微小钙化点，极易造成误诊或漏诊。

发明内容

本发明要解决的技术问题是，克服现有技术中的不足，提供一种基于深度学习自动分割乳腺钙化点的方法。

为解决技术问题，本发明的解决方案是：

提供一种基于深度学习自动分割乳腺钙化点的方法，包括以下步骤：

(1)制作数据集

取足量的脱敏乳腺X射线DICOM格式图像，由多名专业医生阅片并对乳腺X射线图像钙化点进行交叉标注，取其中标注一致的图像用于构建数据集；

在该数据集中，针对每个病案生成与原图像大小一致的二值图像；该二值图像中像素不为0的(x₀，y₀)位置表示原始图像相同位置存在钙化点，反之则不存在钙化点；

(2)数据预取

从步骤(1)中的数据集中取N张样本及其对应的钙化点二值图，进行归一化处理；N的取值范围为不小于20000；

(3)构建深度卷积神经网络

建立一个包括16层卷积层、2层上采用层和1层逻辑层的深度卷积神经网络；将16层卷积层分别表示为Conv1，Conv2，Conv3……Conv16；2层上采样层分别表示为UpSampling1，UpSampling2；最后一层逻辑层记为Logistic1，用于对上层的输入逐像素给出该位置属于钙化点的概率值；

(4)利用步骤(2)中归一化处理后的数据集，训练步骤(3)中的深度卷积神经网络；

(5)利用步骤(4)中训练完毕的深度卷积神经网络对待检测图像进行推理

将待检测的乳腺X射线图像进行归一化处理，然后输入到经训练的深度卷积神经网络中并输出概率图，图中像素点的取值即为该点属于钙化情形的概率。

本发明中，所述步骤(3)中进一步包括：

设定Conv1表达式为：

a¹＝σ(z¹)＝σ(conv(a⁰，w¹)+b¹)