[发明专利]一种乳腺超声图像肿瘤分割方法及装置

权利要求书

1.一种乳腺超声图像肿瘤分割方法，其特征在于，包括：

获取由超声仪发送来的所述乳腺超声图像的数据集合；

对所述乳腺超声图像的数据集合进行预处理，提取所述乳腺超声图像的特征信息；以及

基于提取的所述特征信息，利用经预先训练的用于对所述乳腺超声图像进行分类及分割的深度学习网络对所述乳腺超声图像进行分类及分割，得到分类及分割结果。

2.如权利要求1所述的乳腺超声图像肿瘤分割方法，其特征在于，所述预处理包括：

删掉所述超声仪自动生成的所述乳腺超声图像的周围信息及黑色边框，保留所述乳腺超声图像的超声部分；以及

对所述乳腺超声图像进行数据规范化处理，使图像像素值的范围处于0～1之间。

3.如权利要求1所述的乳腺超声图像肿瘤分割方法。其特征在于，对所述乳腺超声图像进行分类及分割之前，进一步包括构建所述深度学习网络，以及对所述深度学习网络进行训练，所述深度学习网络包括：

分类模块，包括第一层至第四层共计四个密集连接的分类卷积模块，四个分类卷积模块以下采样的方式提取压缩图像特征，每个所述分类卷积模块输出的特征为各分类卷积模块的卷积层输出的堆叠，第四层分类卷积模块之后连接均质化操作层，用于将堆叠的输出特征转为一维数据，之后经过两层线性层得到所述乳腺超声图像的分类结果，所述分类结果包括存在肿瘤或不存在肿瘤；

分割模块，包括第一层至第三层共计三个密集连接的分割卷积模块，三个分割卷积模块以上采样的方式扩张图像特征，其中，第一层分割卷积模块用于对所述分类模块中的第三分类卷积模块与第四分类卷积模块的堆叠特征进行卷积计算，第二层分割卷积模块用于对所述第一层分割卷积模块与所述分类模块中的第二分类卷积模块的堆叠特征进行卷积计算，第三层分割卷积模块用于对所述第二层分割卷积模块与所述分类模块中的第一分类卷积模块的堆叠特征进行卷积计算，之后经过一个特征尺度为1的卷积层，并通过sigmoid激活函数得到最终的分割结果。

4.如权利要求3所述的乳腺超声图像肿瘤分割方法。其特征在于，对所述深度学习网络进行训练之前，进一步包括：

构建目标图像集，在获取的所述乳腺超声图像样本中，进行肿瘤标示，具有肿瘤的部分赋值为1，其余部分赋值为0，如果所述乳腺超声图像中不存在肿瘤，则目标图像全部赋值为0，目标图像大小与原图一致。

5.如权利要求4所述的乳腺超声图像肿瘤分割方法，其特征在于，所述构建目标图像集进一步包括：

对获取的所述乳腺超声图像样本进行预处理，以及通过水平翻转，随机剪切进行数据增强。

6.如权利要求3所述的乳腺超声图像肿瘤分割方法，其特征在于，所述分类模块中的第一层分类卷积模块包括一个卷积核为7×7的卷积层和三个卷积核为3×3的密连接卷积层，第二层分类卷积模块到第四层分类卷积模块均先进行一次2×2的均值池化操作，然后经过多个3×3的密连接卷积层，其中，第二层分类卷积模块包括4个3×3的密连接卷积层，第三层分类卷积模块包括6个3×3的密连接卷积层，第四层分类卷积模块包括12个3×3的密连接卷积层，每个卷积层都附带有RELU激活函数以及批梯度优化函数，每个卷积层输出的特征尺度均为12。

7.如权利要求3所述的乳腺超声图像肿瘤分割方法，其特征在于，对所述深度学习网络进行训练时，训练使用的损失函数L包括：

L＝L_cls+t_iL_seg；

其中，L_cls为分类loss损失函数，L_seg为分割loss损失函数，t_i表示只在有肿瘤时计算分割损失。

8.如权利要求7所述的乳腺超声图像肿瘤分割方法，其特征在于，所述分割loss损失函数为分类loss损失函数与Dice系数损失函数之和，采用Dice指标对结果精度进行评价，所述分类loss损失函数使用交叉熵损失函数。