[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

说明书

本发明公开了一种基于膨胀深度卷积神经网络的DBT肿块自动分割方法，包括：采集图像，图像预处理，提取图像块，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；最终得到DBT肿块的最终分割预测结果并在上位机中输出预测结果。本发明采用了膨胀深度卷积神经网络，并利用膨胀滤波器替换池化滤波器进行结构优化，能够提高DBT肿块自动分割的精度和鲁棒性。

技术领域

本发明涉及数字医学影像处理与分析和计算机辅助诊断领域，尤其是一种基于膨胀深度卷积神经网络的DBT肿块分割方法。

背景技术

乳腺癌已成为全球范围女性常见的恶性肿瘤，也是主要的女性癌症死因。钼靶X线摄影是目前临床乳腺癌检测的主要手段，但它将三维乳腺实体投照至二维平面，由于重叠乳腺组织干扰，检测真阳性率和真阴性率均不高，会导致不必要的活检或随诊，这些问题在致密型乳腺中更突出。数字乳腺三维断层摄影(digital breast tomosynthesis,DBT)是基于现有钼靶X线摄影技术而研发的一种新成像模式，能有效降低由于组织重叠而造成的误诊，提高病变的诊断能力，被广泛应用于乳腺癌的诊断和治疗。DBT肿块的定位和量化计算对乳腺癌的诊断、治疗计划的制定和预后评估等至关重要。在临床中，放射科医生通常通过DBT图像手动分割乳腺肿块，工作繁琐且主观性强。而DBT肿块的计算机自动分割技术可协助临床医生从中解放出来，能有效避免因过度疲劳而产生的错误。因此，DBT肿块的自动分割技术对于乳腺癌的辅助诊疗具有极其重要的意义。

基于DBT图像的乳腺肿块自动分割是一项极具挑战性的工作，因为DBT图像焦外切片平面模糊，肿块显著性不强；而且DBT图像信噪比比钼靶X线摄影低得多，一些微弱肿块信号在噪声背景下可能检测不到，增加了肿块分割的难度。尽管实现DBT肿块的自动精确分割存在很大困难，但因其具有巨大的辅助医疗意义，近些年吸引了众多学者致力于这方面的研究。目前已有的DBT肿块自动分割方法大致分为三类:基于先验知识的生成模型、基于监督分类器的判别模型以及组合模型。基于先验知识的生成模型充分利用肿瘤形状和空间等先验知识，在处理二分类问题时，一般有比较好的效果；但是，它们的学习和计算过程比较复杂。判别方法直接从有标签的图像中学习，而没有任何的先验知识，更适合多类别的识别；但各个变量间的关系不清楚，在分割时通常将每个像素点视为独立分布，限制了分割精度。组合模型通过综合生成方法和判别方法，充分利用各自的优点来改善分割结果。然后，这三类自动分割方法都需要人为的理解图像然后手动设计并提取大量特定的特征信息，这些特征的选取没有一个统一的标准，很大程度上依靠经验，特征的提取计算量大且耗时。

近年来随着计算机技术的提高，深度学习理论引起了很大关注，在语音识别、图像目标分类与检测等很多领域已经取得了广泛的应用。尤其是深度卷积神经网络以原始图像作为输入，不需要手动提取特征，直接从图像中自动地提取具有代表性的特征，这为设计对精度要求高的分割模型提供了可能。

发明内容

本发明要解决的技术问题是提供基于膨胀深度卷积神经网络的DBT肿块自动分割方法，能够实现DBT肿块的自动分割。

为解决上述技术问题，本发明提供基于膨胀深度卷积神经网络的DBT肿块自动分割方法，包括过程如下：

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；