[发明专利]一种乳腺超声图像肿瘤分割方法

说明书

本发明公开了一种乳腺超声图像肿瘤分割方法，包括乳腺超声图像数据预处理、构建深度神经网络模型、定义损失函数、模型训练及结果生成。在数据预处理中，使用先镜像填充，后裁剪的方式既不会改变乳腺肿瘤的形态，又可以得到符合尺寸要求的乳腺超声图像。在构建深度神经网络模型步骤中，整体上遵循了UNet模型的设计模式。本发明使用ResNet18作为整个网络的编码器，因此具有更强的特征提取能力，从而能够获得更高的精度。在模型解码器部分使用了深监督技术来监督各层的学习，添加了SENet的逐通道加权模块；本发明除了能消除错误分割和分割边界不连续的问题之外，还能精准地捕捉肿瘤边界。

技术领域

本发明属于深度学习技术领域，是一种有效的乳腺超声图像肿瘤分割新方法。

背景技术

深度学习已成为当前人工智能的热点，深度学习技术是最近发展很快的一种机器学习技术，它以深层人工神经网络为模型，借助强大的硬件、海量的数据以及优化算法实现高性能学习。深层卷积神经网络(Deep CNN)目前已经在很多计算机视觉任务上取得了非常好的成绩，比如目标分类、目标检测、目标分割等，并在多个领域大幅超越传统机器学习和人工智能技术。

乳腺癌是女性最常见的死亡原因之一，在早期阶段，乳腺钼靶这样的X线摄影检查可以发现肿瘤，但其对致密性乳腺缺乏良好的判断能力，且带有一定的放射性，对孕妇等群体会带来伤害。相比之下，乳腺超声技术具有容易获取，无辐射，设备和诊疗费用低等优点，使它成为一种有效且通用的检测手段。然而，超声乳腺图像往往存在噪声较多、灰度不均匀以及肿瘤形状复杂多变等特性，极大增加了超声图像分割和分类的难度。

近几年来，有些学者提出了不同的乳腺超声图像分割方法，比如主动轮廓模型、基于图的算法等，这类非深度学习方法往往需要人为参与分割过程，带有一定的主观性；再比如UNet、Attention-UNet、UNet++等模型，这类深度学习方法以端到端的训练方式，避免了人为参与，但往往存在错分割、欠分割及分割边界不连续等缺点。

发明内容

针对现有技术中存在的上述问题，本发明提出一种有效的乳腺超声图像肿瘤分割新方法。本发明的技术方案是：首先，本发明中的神经网络模型整体上遵循了UNet模型的设计模式。区别在于，不同于UNet原有的编码器，使用ResNet18作为整个网络的编码器，因此具有更强的特征提取能力，从而能够获得更高的精度。此外，在模型解码器部分使用了深监督技术来监督各层的学习，从而加速了模型的收敛。而且，添加了SENet的逐通道加权模块，通过引入这样的注意力机制，能够自动平衡高阶编码特征对分割结果的不同影响，使得模型能够更准确的捕捉超声图像中的肿瘤边界，带来更高的分割精度。

本发明所采用的技术方案是：

一种有效的乳腺超声图像肿瘤分割方法，包括以下步骤：乳腺超声图像数据预处理、深度神经网络模型构建、模型训练及结果生成。