[发明专利]一种融合UNet模型与解剖学特征的乳腺钼靶图像分割方法

说明书

本发明公开了一种融合UNet模型与解剖学特征的乳腺钼靶图像分割方法，包括如下步骤：S1、生成掩码图；S2、训练UNet模型；S3、预分割；S4、预分割胸肌区域后处理；S5、预分割乳头区域后处理。本发明融合了语义分割模型UNet和解剖学特征，引入了损失函数Lovasz‑Softmax Loss，并根据解剖学特征对UNet模型的预分割结果进行后处理，得到适应于各种复杂乳腺情况的乳腺钼靶胸肌、乳头定位算法，解决了现实复杂情况下乳腺钼靶图的胸肌区域和乳头区域定位的稳定性问题。

技术领域

本发明涉及计算机技术领域，特别涉及一种融合UNet模型与解剖学特征的乳腺钼靶图像分割方法。

背景技术

乳腺钼靶X线图像检查，是最常用和最有效的乳腺疾病筛查手段之一。正确地分割出乳头位置和胸肌位置，对乳腺密度估计、乳腺病灶位置描述、乳腺肿块多视图配准、乳头形态判断等后续任务，都有重要的意义。

传统的乳头和胸肌定位方法，大都是基于传统图像中提取出的解剖学特征，如灰度特征、灰度梯度变化条纹特征、边缘特征等，这类方法的缺陷是：都对输入的乳腺钼靶图像作了较强的条件假设。但在实际处理中，由于不同病人的乳腺、不同检查单位的仪器设备、不同医生的成像操作过程都存在巨大的差异，存在大量不符合典型假设的情况，如：乳头不在乳腺钼靶图外轮廓的最远端、乳头不在乳腺钼靶图外轮廓上体现、胸肌部位与乳腺腺体等密度区域严重重叠、胸肌区域因腋窝部位干扰导致内部密度梯度多次变换、明显的乳房下垂、胸部肌肉发达而脂肪层太薄等。在这些特殊情况下，传统的基于解剖学特征的方法常常不能得到理想的处理结果。

发明内容

为解决上述问题，本发明提供了一种融合UNet模型与解剖学特征的乳腺钼靶图像分割方法，以解决现实复杂情况下乳腺钼靶图的胸肌区域和乳头区域定位的稳定性问题。

本发明采用以下技术方案：

一种融合UNet模型与解剖学特征的乳腺钼靶图像分割方法，包括如下步骤：

S1、生成掩码图：对原乳腺钼靶图进行精细标注，利用标注好的数据文件生成掩码图；

S2、训练UNet模型：利用所述原乳腺钼靶图和所述掩码图训练面向语义分割任务的UNet模型；

S3、预分割：将待分割的乳腺钼靶图像输入训练好的UNet模型，获得预分割胸肌区域和预分割乳头区域；

S4、预分割胸肌区域后处理：对斜侧位视图的预分割胸肌区域进行后处理，得到胸肌区域分割结果；

S5、预分割乳头区域后处理：对双视图的预分割乳头区域进行后处理，得到乳头区域分割结果。

进一步地，所述原乳腺钼靶图的数量大于500张，且左右视图各半，头尾位与斜侧位视图各半，所述原乳腺钼靶图在使用之前进行统一的剪裁和增强处理。

进一步地，所述掩码图的尺寸与所述原乳腺钼靶图相同，每个像素位置存储的是原乳腺钼靶图上对应组织类别的代号。

进一步地，所述UNet模型的训练过程具体为：引入损失函数Lovasz-SoftmaxLoss，把所述原乳腺钼靶图和所述掩码图缩小到网络额定的输入尺寸，即1024*1024，输入UNet模型中训练100代以上，得到训练好的UNet模型。

进一步地，所述步骤S3中的UNet模型输出的是对每个像素位置的组织类别的预测结果，将该结果整合为8位灰度图像，缩放到原乳腺钼靶图的大小，即可得到UNet模型计算出的每个像素最大概率的所属区域的预分割结果。