[发明专利]一种全容积三维超声图像的多维特征提取方法

权利要求书

1.一种全容积三维超声图像的多维特征提取方法，其特征在于，所述方法包括以下步骤：

获取乳腺的全容积三维超声图像；

由神经网络预训练模型提取全容积三维超声图像的图像特征；

其中，所述神经网络预训练模型是通过构建域适应神经网络以及对域适应神经网络进行训练得到的；

所述域适应神经网络又称为域对抗神经网络，域适应神经网络至少包括生成器和标签预测器，用于实现源域数据和目标域数据之间建立一个特征映射，使源域数据特征能够迁移到目标域数据特征空间；以3D-CNN作为生成器，用来生成源域数据和目标域数据的特征，将目标域数据的特征输出到由CapsGNN构成的标签预测器中分辨出目标域数据的类别；并且通过生成器的梯度反转层和全连接层构成的域判别器，对生成器生成的特征空间进行域判别，区分生成的特征来自源域或者目标域；整个生成对抗迁移过程主要由生成特征路径和域判别路径构成，所述源域数据为CT或MR数据，所述目标域数据为全容积三维超声图像数据，所述3D-CNN为3D卷积神经网络，所述CapsGNN为胶囊神经网络；

其中，所述生成特征路径为：域适应神经网络通过优化的目标函数H(W,b,V,c)，来更新生成器和标签预测器两部分的权重参数：

式中，W和b分别表示神经元的权重参数和偏置参数，V代表标签预测器输出向量参数，c为softmax函数中的类别总数，表示第i个样本的标签预测损失，n为样本数量；R(W，b)是正则化器,λ为正则化参数，的含义为取式为最小时W、b、V、c的值；

其中，所述域判别路径为：用全容积三维超声图像数据组成的目标域数据和CT或MR数据组成的源域数据训练生成器和域判别器，通过优化的目标函数以更新3D-CNN和域判别器的权重参数G(W,b,u,z)：

式中，W，b分别表示神经元的权重参数，u代表域判别器输出向量参数，z为softmax函数中的类别总数，表示第i个样本的域判别损失，n为源域数据样本数量，n′为目标域数据样本数量，N为样本的总量。

2.根据权利要求1所述的一种全容积三维超声图像的多维特征提取方法，其特征在于，获取乳腺的全容积三维超声图像的方法为：通过全自动乳腺容积超声成像系统按固定轨迹扫描整个乳腺获得乳腺的全容积三维超声图像；或者从开放医学数据库：LIDC-NLST、ADNI或BraTS中的一种CT、MR数据源进行读取。

3.根据权利要求1所述的一种全容积三维超声图像的多维特征提取方法，其特征在于，

所述图像特征包括三维特征和二维特征，三维特征包括三维纹理特征。

4.根据权利要求1所述的一种全容积三维超声图像的多维特征提取方法，其特征在于，对域适应神经网络进行训练得到神经网络预训练模型的方法包括以下步骤：采用开放医学数据库：LIDC-NLST、ADNI、BraTS提供的一种CT或MR数据集，通过基于自编码器方式以无监督的训练方式对域适应神经网络进行训练从而获得神经网络预训练模型。

5.根据权利要求1所述的一种全容积三维超声图像的多维特征提取方法，其特征在于，所述神经网络预训练模型由编码器和解码器两部分组成，编码器用于提取三维感兴趣区域图像的特征，而解码器则基于编码器输出的特征，还原三维图像；对输入的全容积三维超声图像数据依次进行双边滤波、非线性化和模糊增强处理。

6.根据权利要求5所述的一种全容积三维超声图像的多维特征提取方法，其特征在于，编码器与解码器的表征如下：f:Φ→Ψ，g:Ψ→Θ，其中，给定输入空间X∈Φ，特征空间Y∈Ψ,输出空间Z∈Θ，编码器完成求解Φ到Ψ的映射f，→符号意义为映射，解码器完成求解Ψ到Θ的映射g；自编码器训练完成后，取出其中的编码器部分作为三维卷积神经网络的预训练模型，的含义为式子||X-g[f(X)]||²达到最小值时的f,g的取值。