[发明专利]基于端对端神经网络的乳腺癌病灶分割方法

说明书

本发明公开了一种基于端对端神经网络的乳腺癌病灶图像分割方法，包括如下步骤：步骤一、人工标记：根据医生的经验在数据上标记病灶区域；步骤二、数据预处理：对三维图像数据预处理，剪切成适合神经网络的图像尺寸；步骤三、选取模型：选用改进的端对端神经网络模型；步骤四、训练模型：使用改进的网络模型，在标记好的训练集上训练最优模型；步骤五、预测数据：用训练好的模型预测病灶区域；步骤六、评估结果：利用相应的评价指标衡量病灶分割的准确率。本发明提出了一种改进的端对端神经网络，不仅在原始分辨率图像上使用空洞残差网络，保持目标丰富的特征信息；还采用加权形式的Dice损失函数，在小目标和病灶边缘区域上分割效果更好。

技术领域

本发明具体涉及一种基于改进的端对端神经网络模型的乳腺癌病灶图像的分割方法。

背景技术

根据目前世界卫生组织的相关数据显示，乳腺癌成为了女性发病率最高的癌症，严重危害了女性的身体健康。为了能够减少乳腺癌的死亡率，需要进行早期的诊断和治疗。

随着神经网络的不断发展，三维卷积神经网络开始兴起，其充分利用了三维图像的层间关联性，在3D医学图像的处理方面得到了比较好的应用。随着深度学习的不断发展，已经有一些处理三维图像的分割算法模型，例如3D-Unet和V-Net。两种三维分割算法模型中包含全卷积神经网络的雏形，内部实现和部分细节有所不同，且加强了残差网络的跳层思想等，凸显了三维卷积网络在乳腺癌病灶分割上的优势。从实验对比结果发现，这些算法在乳腺癌病灶边缘的分割上还存在一些问题，边缘分割的界限不够清晰，边缘软组织灰度相近之处分割效果欠佳，边缘位置不够准确。

针对这些问题，本发明提出改进的端对端神经网络模型，提高乳腺癌肿瘤图像分割的效果。

发明内容

发明目的：为了解决现有技术的不足，本发明提供了一种基于端对端神经网络模型的乳腺癌病灶图像的分割方法。

技术方案：一种基于改进的端对端神经网络模型的乳腺癌病灶图像的分割方法，包括如下步骤：

步骤一、人工标记：收集数据，根据医生的经验在数据上标记目标区域，制作相应的数据样本集；

步骤二、数据预处理：对三维图像数据预处理，剪切成适合神经网络输入的图像大小；

步骤三、选取模型：本发明选用改进的端对端神经网络模型；

基于改进的端对端神经网络模型的左侧为下采样路径，右边为上采样路径，采用三层架构，在下采样阶段，coder_1层、coder_2层、coder_3层和bottom层均采用5*5*5的卷积核尺寸，通道数依次递增，分别为16、32、64、128，每一个池化层均使用2*2*2、步长为2的卷积层代替，用来将特征图减半，减少内存的占用；

在上采样阶段，bottom层、decoder_3层、decoder_2层和decoder_1层对应的通道数依次递减，分别为128、64、32、16，激活函数采用的是PReLU函数，使用带参的激活函数使得该神经网络能够自主学习，而且能够使神经网络有着比较好的表达能力，在训练阶段能够更好的学习特征；

基于改进的端对端神经网络模型采用空洞残差网络在原始的图像分辨率下获得特征，并和端对端网络上采样得到的特征进行融合，获得更加丰富的特征，以便准确的分割病灶；

基于改进的端对端神经网络模型采用加权形式的Dice函数作为损失函数，为每一个像素都分配概率权重，让网络往权重大的方向进行学习，减少了乳腺癌病灶小带来的正负样本不平衡的问题，加强目标的学习，使得神经网络能够在乳腺癌病灶数据上取得更好的分割性能。加权形式的Dice损失函数公式如下：