[发明专利]基于膨胀深度卷积神经网络的DBT肿块自动分割方法

权利要求书

1.基于膨胀深度卷积神经网络的DBT肿块自动分割方法，其特征在于过程如下：

步骤1、采集图像

采集患者的数字乳腺断层摄影DBT体图像，然后将采集的DBT体图像传到上位机进行下一步处理；

步骤2、图像预处理

在上位机中，对DBT体图像进行分割获得切片图像，然后分别对每个切片图像采用top-hat变换增强候选乳腺肿块位置区域与背景组织区域之间的低对比度，然后以候选乳腺肿块位置区域为中心，δ²为方差，利用各向同性径向基函数生成约束矩阵，并与切片图像相乘，从而获得预处理后的切片图像；

步骤3、提取图像块

使用滑动窗口方法扫描预处理后的每个切片图像，以每个切片图像的每个体素为图像块中心体素，在每个对应切片图像上提取大小为l×l像素的图像块，并分别标注为乳腺正常组织区C0和乳腺肿块区C1两种类别；

步骤4、DBT肿块自动分割

利用膨胀深度卷积神经网络分割模型对步骤3提取的所有图像块中心体素分类，获得每个体素分别对应乳腺正常组织区C0和乳腺肿块区C1两种类别的概率分布，概率最大的类别作为该体素所属类别，从而得到乳腺正常组织区C0和乳腺肿块区C1对应组织的体积；

步骤5、后处理并输出结果

移除步骤4所获得结果中连续体积小于预设定阈值T_vol＝50的连通量，得到DBT肿块的最终分割预测结果并在上位机中输出预测结果。

2.根据权利要求1所述的基于膨胀深度卷积神经网络的DBT肿块自动分割方法，其特征在于，步骤4中所述膨胀深度卷积神经网络分割模型包括：

基于膨胀深度卷积神经网络构建膨胀深度卷积神经网络分割模型，包括7层膨胀Dilation依次为1、1、2、4、8、16、1的膨胀卷积和一层普通卷积，每个膨胀卷积包括卷积、批标准化和线性整流函数。

3.根据权利要求1所述的基于膨胀深度卷积神经网络的DBT肿块自动分割方法，其特征在于，所述膨胀深度卷积神经网络分割模型的训练和测试过程包括：

将步骤1采集的DBT体图像经过步骤2获得预处理后的切片图像，然后分别标注为乳腺正常组织区C0和乳腺肿块区C1两种类别从而获得真值图，将标注后的切片图像的70％作为训练样本，30％作为测试样本，然后使用滑动窗口方法扫描训练样本和测试样本中的各个切片图像提取大小为l×l像素的图像块，将从训练样本提取的每个图像块再分别进行90度、180度和270度旋转进行数据扩增后作为训练数据集，将从测试样本提取的图像块作为测试数据集；

建立f_α函数作为代价函数如下：

其中，T为真值图，S为训练模型输出的预测结果图，M表示T和S中的像素数量，t_i表示真值图中第i个元素，s_i表示预测结果图中第i个元素，α＝1；

训练时Adagrad优化器的学习率为0.01，将训练数据集输入所述膨胀深度卷积神经网络分割模型，训练1000个epoch，每个epoch包含1000batch，每个batch的大小为150个输入图像块，从而获得训练好的膨胀深度卷积神经网络分割模型；

使用测试数据集对所述训练好的膨胀深度卷积神经网络分割模型进行检测，统计离线测试结果达到实际使用要求从而获得所述膨胀深度卷积神经网络分割模型。