[发明专利]多目标集成式深度神经网络的乳腺X光影像分析方法

说明书

本发明涉及一种多目标集成式深度神经网络的乳腺X光影像分析方法。该方法通过分析大量的乳腺X光影像，实现从乳腺X光影像中自动检测出肿块区域；对上述检测出的区域，进一步对肿块边界进行自动提取；最后根据肿块的特征对肿块的性质进行分析，对辅助放射专家判断乳腺X光影像中的肿块的性质有着极大的意义。

技术领域

本发明涉及一种医学图像分析方法，具体地说是一种多目标集成式深度神经网络的乳腺X光影像分析方法。

背景技术

乳腺癌被认为是全世界最常见的女性癌症之一。2017年公开发表的统计结果将乳腺癌列为所有癌症的高发级别之一，占新发病例的30％左右，死亡病例的14％左右。早发现早治疗是降低乳腺癌患者死亡率的关键。目前，数字X射线乳腺摄影是对早期可疑乳腺肿块和微钙化最可靠的筛查设备。在诊断乳腺异常时，放射专家将可疑肿块分为良性或恶性。但因为乳房X光片的数量巨大，检查乳房X光片的每一个图像的时间和效果也非常有限，所以这项任务对放射科医生来说是一项重大挑战。

随着人工智能技术的高速发展，计算机辅助分析已成为放射专家读片时的有力工具。通过计算机辅助分析进行二次读片，可以提高诊断准确率，减少假阳性和假阴性分析结论。在肿块区域提取、边界检测和分类等特定领域，此类乳腺计算机辅助系统都有了较为积极的发展。但是将这三种特定处理进行集成，在一个计算机辅助系统中同时实现区域提取、边界检测和分类，最终给出分析结论的乳腺计算机辅助系统并不多见。

发明内容

本发明为了解决现有技术中存在的问题，提供一种将区域提取、边界检测和分类进行关联，在传统深度神经网络上对上述三种任务进行集成的乳腺X光影像分析方法。

为了达到上述目的，本发明提出的技术方案为：一种多目标集成式深度神经网络的乳腺X光影像分析方法，包括如下步骤：

步骤一、对乳腺X光影像的尺寸进行调整，并标记出肿块区域信息；将调整好尺寸的乳腺X光影像作为输入，将对应标记的肿块区域信息作为输出，来训练Faster-RCNN网络中对应的参数；

步骤二、在肿块区域中标记出肿块边界，构建全分辨率卷积网络；将肿块区域图像作为输入，将对应标记的肿块边界作为输出，来训练全分辨率卷积网络中对应的参数；

步骤三、将肿块区域内肿块边界外的像素值设置为0，根据肿块的类别设置类别信息；构建卷积神经网络，将像素值修改后的肿块区域图像作为输入，类别信息作为输出，训练卷积神经网络的参数；

步骤四、将待判定且调整好尺寸的乳腺X光影像输入到步骤一中训练好的Faster-RCNN网络中，根据网络的输出获得乳腺肿块的区域信息，从而得到乳腺肿块区域检测结果；

步骤五、将步骤四中乳腺肿块区域输入到步骤二中训练完成的全分辨率卷积网络中，根据网络的输出获得乳腺肿块的边界区域信息，将区域内肿块边界以外的像素点的值设置为0；

步骤六、将步骤五得到的边界区域输入到步骤三中训练完成的卷积网络中，根据网络的输出获得乳腺肿块的类别信息，根据类别信息完成乳腺肿块性质分析的任务。

对上述技术方案的进一步设计为：所述步骤一中将乳腺X光影像的尺寸进行调整为416×416像素。

所述步骤二中全分辨率卷积网络的网络构架分为编码子网络和解码子网络。

所述编码子网络包含8个卷积层和线性整流激活函数层：所述卷积层的第一层和第二层卷积核大小为3×3×64，第三层和第四层卷积核大小为3×3×128，第五层至第六层卷积核大小为3×3×256，第七层至第八层卷积核大小为3×3×512；

线性整流激活函数层的线性整流激活函数公式如下：