[发明专利]多模态超声影像分类方法以及乳腺癌诊断装置

说明书

本发明提供了一种多模态超声影像分类方法以及乳腺癌诊断装置，包括：S1，从原始灰阶超声‑弹性成像图像对中分割出感兴趣区域图像，根据分割出的感兴趣区域图像得到纯粹弹性成像影像；S2，利用DenseNet网络提取灰阶超声影像、弹性成像影像的单模态图像特征；S3，构建对抗性损失函数和正交性约束函数，提取灰阶超声影像与弹性成像影像之间的共享特征；S4，构建多任务学习框架，将S3得到的模态间共享特征与S2得到的单模态特征拼接后，共同输入多个分类器，分别进行良恶性分类。本发明可以同时针对灰阶超声图像、弹性成像图像以及两种模态图像一同进行良恶性分类，具有准确度高，应用范围广的优良性能。

技术领域

本发明涉及的是一种图像处理方法，具体地说，涉及的是一种多模态超声影像分类方法以及应用该方法的乳腺癌诊断装置。

背景技术

癌症，因其高发病率与致死率，被认为是威胁人类健康安全的头号“杀手”。比如，乳腺癌是目前世界范围内女性群体中发病率及死亡率最高的恶性肿瘤。在国内，乳腺癌也位列全国女性恶性肿瘤发病率首位，死亡率第五位，且发病率与死亡率均逐年上升。中国女性乳腺癌防治形势十分严峻。定期进行乳腺检查是乳腺癌“早发现、早治疗”的最有效方式。目前国内，乳腺超声检查因其有效性、便捷性成为乳腺疾病首选筛查手段。近年来，一种新型超声诊断技术——超声弹性成像，作为传统二维灰阶超声的补充，正逐渐应用到乳腺相关疾病的诊断中。弹性成像客观、定量地描述了病变区域组织的机械特性，为超声医生区分良性腺瘤与恶性肿瘤提供了相对可靠的依据。计算机辅助检测(Computer-AidedDetection,CAD)系统的开发可以用来帮助超声医生对可疑的乳腺病变进行良恶性分类，为临床诊断提供客观参考，使得乳腺筛查更具成本效益。乳腺癌诊断CAD系统可以辅助降低医生主观因素对诊断结果的影响，使得乳腺筛查计划更具临床效能。现有的CAD系统主要包含病变区域影像特征提取和良恶性分类两个阶段。

乳腺病变区域的特征提取算法将很大程度上影响最终良恶性分类准确率。2013年，Moon等人在《Computer Methods and Programs in Biomedicine》(生物医学中的计算机方法和程序)上发表的“Computer-aided diagnosis of breast masses usingquantified BI-RADS findings”论文中提出一种基于BI-RADS(美国放射学会乳腺影像报告和数据系统)中所列举特征的乳腺病变诊断算法。该算法总共选取了6大类，共38种影像学特征，来对输入的灰阶超声图像进行编码。通过人工标注的方式提取输入图像的38种特征的定性、定量结果，而后通过多项式回归模型将编码后的图像特征矩阵作良恶性分类。然而，基于BI-RADS的特征提取算法极度依赖人为预先选取的特征在诊断乳腺良恶性病变上的先验有效性，其是否客观有效仍有待考证。2015年，Uniyal等人在《IEEE Transactionson Medical Imaging》(IEEE医学影像会刊)中发表的“Ultrasound RF time series forclassification of breast lesions”一文中将灰阶超声射频特征与BI-RADS影像特征结合，从射频时间序列中提取频谱特征和分形维数对射频信号进行编码并通过SVM对射频信号特征进行分类，通过Random Forests对BI-RADS影像学特征进行分类，综合考虑两类分类器的输出结果对输入灰阶影像中的病变区域进行定性。但是，超声射频信号容易受患者呼吸的影响致使不同病例间因为呼吸频率不同而引入外界噪声，限制算法性能进一步提升。