[发明专利]一种乳腺超声图像肿瘤分割方法

权利要求书

1.一种有效的乳腺超声图像肿瘤分割新方法，其特征在于，包括以下步骤：

步骤一、获取乳腺超声图像数据集，并进行数据预处理；

步骤二、使用Pytorch深度学习框架，搭建神经网络模型；

步骤三、定义损失函数；

步骤四、利用预处理后的乳腺超声图像及定义的损失函数对神经网络模型进行训练；

步骤五、使用步骤四训练好的神经网络模型对测试数据进行肿瘤分割，得到分割结果。

2.根据权利要求1所述的一种有效的乳腺超声图像肿瘤分割新方法，其特征在于，在步骤一中，首先对获取的乳腺超声图像进行镜像填充，具体地，首先判断原图像A高度是否低于设置的高度阈值448，如果否，暂不作处理，如果是，则将原图像A向上做镜像翻转并拼接于原图像A上部，将原图像A向下做镜像翻转并拼接于原图像A下部，得到满足高度要求的图像B，然后判断图像B的宽度是否低于设置的宽度阈值512，如果是，则分别对图像B做左右镜像翻转并拼接于左右两边，得到满足高度和宽度要求的图像C，最后对图像C做中心裁剪，得到满足尺寸要求448x448的图像；裁剪之后，随机使用水平翻转、垂直翻转、旋转以及转置数据增强方式，并且像素值标准化到[0，1]之间。

3.根据权利要求1所述的一种有效的乳腺超声图像肿瘤分割新方法，其特征在于，在步骤二中，按照UNet的设计架构，通过逐步增强的方式搭建神经网络，具体包括以下步骤：

步骤12、引入ResNet18，舍弃ResNet18最后的全连接层，将其作为整个网络模型的编码器，从而提高模型的特征提取能力；使用ResNet18在ImageNet上的预训练参数对ResNet18进行参数初始化；

步骤22、使用深监督方法，为解码器各层添加辅助分支，新添加的辅助分支能够在训练时起到一种判断隐藏层特征图质量好坏的作用，从而为模型的收敛指引方向；

步骤23、在模型编码器的最高语义层添加SENet注意力模块，注意力模块可提升模型对通道特征的敏感性，通过对通道加权，强调有效信息，抑制无效信息，使得模型对肿瘤边缘的处理更加准确。

4.根据权利要求1所述的一种有效的乳腺超声图像肿瘤分割新方法，其特征在于，在步骤三中，神经网络模型损失函数将交叉熵损失函数与Dice损失函数组合，定义如下：

模型最终输出的损失函数定义为：

第i层深监督的损失函数定义为：

总损失定义为：

其中，表示模型最终的分割预测输出，y表示真实分割标记，i表示深监督分支索引，表示第i个深监督分支的输出，binary_cross_entropy表示二元交叉熵损失，dice_loss表示Dice损失。

5.根据权利要求1所述的一种有效的乳腺超声图像肿瘤分割新方法，其特征在于，在步骤四中，使用预处理后的乳腺超声图像和定义的损失函数对神经网络模型进行训练，直至其收敛，使用的两个评价指标为Dice和IoU，公式如下：