[发明专利]基于注意力增强改进U型网络的超声乳腺肿瘤自动分割方法

说明书

本发明公开了一种基于注意力增强改进U型网络的超声乳腺肿瘤自动分割方法，步骤(A)，构建用于提取出超声乳腺肿瘤目标特征的注意力增强改进U型网络结构；步骤(B)，建立注意力增强改进U型网络结构的混合注意力损失函数，用于获取更准确的网络损失值；步骤(C)，根据注意力增强改进U型网络结构以及混合注意力损失函数，通过粗细结合的网络分层训练方式，对网络参数进行微调，提高网络参数的精度，实现对乳腺超声图像病灶区域的快速定位和分割。本发明能够用来提取乳腺超声图像的病灶区域，可有效提高乳腺肿瘤分割的准确性，用以辅助医生快速准确进行病灶区域定位，降低医生工作量，缓解年轻医生临床经验不足等缺陷，对现代医学具有非常重要的研究价值和应用前景。

技术领域

本发明涉及超声图像的乳腺肿瘤自动分割技术领域，具体涉及一种基于注意力增强改进U型网络的超声乳腺肿瘤自动分割方法。

背景技术

目前，乳腺癌是仅次于皮肤癌的一种严重危害妇女健康的疾病。随着现代医学的发展，早期诊断和治疗可以大大提升乳腺癌患者的存活率。目前，乳腺肿瘤的诊断可分为侵入性和非侵入性诊断。侵入性诊断主要指活检，但这会对乳腺组织造成物理损伤，给患者带来痛苦；非侵入性诊断则包括使用X射线、MRI(磁共振成像)、超声影像等技术对乳腺病变区域进行检查。在各种检查方式中，鉴于低辐射、低成本和实时性等优点，超声影像检查已成为乳腺肿瘤早期诊断的首选方法。

在进行超声乳腺肿瘤诊断过程中，超声医生首先需要缓慢移动探头寻找患者的病变组织，确定病灶区域范围，这是进行乳腺肿瘤诊断的第一步。然而，由于超声图像的低照度特点，肿瘤形态的多样性，以及乳房不同组织间可能存在的侵润性等特点，超声医生需要根据临床经验反复观察才能确定病灶的准确位置和区域，这无疑增加了医生的诊断难度和工作量，也延长了患者的就诊时间。同时，由于年轻医生临床经验不足、人眼视觉疲劳等原因，有时也会出现病灶区域的误检测或漏检测。因此，利用计算机辅助诊断(ComputerAided Diagnosis,CAD)系统实现超声乳腺肿瘤区域的自动分割，有助于提高医生诊断的准确率，降低工作量，缓解基层医院优秀超声医生不足的现状，对现代医学具有非常重要的研究价值和应用前景。

目前，超声乳腺肿瘤区域分割算法主要分为两大类：基于图像处理的传统分割算法和基于深度神经网络的语义分割算法，均存在不足，具体介绍如下：

(1)基于图像处理的传统图像分割算法主要包括阈值法、聚类法、分水岭法、活动轮廓模型法、马尔科夫随机场法、图论法等等。虽然已取得了一定研究成果，但传统方法均需要手工设定一些初始参数，例如，阈值法中需要提供诸如区域中心、高度、宽度等初始参数；模糊C均值聚类算法则需要手工设置初始化聚类区域数目和噪声容限水平；活动轮廓模型则需要提供肿瘤区域内初始化圆形轮廓。这些初始参数设置是否准确，对最终分割结果好坏有很大影响。同时，变换数据后，初始参数设置也需要更新，不具有自动分割性能。

(2)基于深度神经网络的语义分割算法逐渐被应用在医学图像中，并取得了不错的分割效果。常用的深度神经网络模型主要有FCN网络，U型网络，Mask-RCNN网络等等。与主要依赖浅层特征的传统分割算法相比，深度神经网络模型结合了浅层特征和高级语义特征，从像素级角度进行分析判断，可以获得更精确的分割结果。但是，由于训练数据的大量缺乏，以及超声图像对比度低，可疑病变与周围组织之间相互侵润，以及肿瘤形态的多样性等特点，基于深度神经网络的超声乳腺肿瘤区域分割研究仍处于起步阶段，分割效果仍有待进一步提高。

发明内容

本发明的目的是克服现有技术中超声乳腺肿瘤区域分割算法存在的问题。本发明的基于注意力增强改进U型网络(Improved Attention-enhancing Unet，Improved AE-Unet)，用来提取超声乳腺图像的病灶区域，可有效提高乳腺肿瘤分割的精确度，用以辅助医生快速准确诊断，降低医生的误检率和漏检率，缓解超声医生工作强度大、基层医院优秀超声医生不足等现状，对现代医学具有非常重要的研究价值和应用前景。

为了达到上述目的，本发明所采用的技术方案是：