[发明专利]基于三重路径网络的乳腺辅助识别方法、系统、终端及介质

说明书

本发明公开了一种基于三重路径网络的乳腺辅助识别方法、系统、终端及介质，包括：获取原始乳房超声图像，对原始乳房超声图像进行处理，获取面向BIRADS的特征映射；将面向BIRADS的特征映射输入至SATPN网络中，基于编码器对面向BIRADS的特征映射进行特征提取，得到病变特征；对病变特征分别进行分类训练和重建训练，获取图像重建误差和标签预测误差；对图像重建误差和标签预测误差进行加权投票，得到最优的图像。本发明能够集成分类和图像重建任务，以实现对乳房的准确识别，提高先验领域知识的利用率，提高乳腺超声图像的病变分类精度。

技术领域

本发明属于计算机视觉领域，涉及一种基于三重路径网络的乳腺辅助识别方法、系统、终端及介质。

背景技术

乳腺癌是美国女性最常见的恶性肿瘤，也是全世界女性癌症死亡的第二大原因。乳腺超声(US)是一种广泛采用的早期乳腺癌诊断成像方式，具有无创、安全和相对便宜的优点。然而，乳腺超声的诊断准确率相对较低。为了帮助放射科医生并提高诊断的准确性，乳腺超声计算机辅助诊断(CAD)技术开始被广泛研究。在传统的US CAD系统中，大多数特征都是手工制作的，例如乳房成像报告和数据系统(BIRADS)特征，这意味着它们是由人类专家事先设计的，由于病变特征和图像采集的变化，精确度有限。

近年来，自动从原始数据中学习判别特征的深度学习(DL)技术在医学图像分析中得到了广泛的应用，包括乳腺US CAD。然而，从零开始训练深层网络对于乳腺癌CAD来说是困难的，因为它需要大量的标记训练数据。目前，有两种流行的方法来解决这个问题：迁移学习和无监督特征学习。大多数的基于迁移学习的方法是在自然图像上预先训练模型，然后用乳房图像对网络进行微调。尽管基于迁移学习的方法缓解了小训练数据集的问题，但该策略面临着与自然图像和乳腺超声图像统计数据之间的差异相关的挑战，以及对累积的临床知识的低效利用。

另一种方法是进行无监督特征学习，通过图像重建等无监督学习任务实现高水平的特征提取，利用基于无监督深层自动编码器(AE)提取图像重建的高级特征，然后使用一些训练样本监督微调分类器以进行乳腺超声图像分类。虽然报告的方法可以在一个小的训练数据集上有效地提取特征，但分离的重建和分类任务有局限性：1)无监督AE提取的特征可能不适合分类：如果AE仅基于数据的自然特征提取特征，而不考虑预训练阶段的标签信息，提取的特征将无法描述给定的类别，这将在将这些特征应用于分类时带来困难。2)使用相同的AE结构进行图像重建，很难捕捉良性和恶性病变之间的差异：良性病变的结构差异小于恶性病变。3)基于图像强度的-范数代价函数无法捕捉病变结构属性：-范数与人类观察者感知的图像质量关系不大，因为它不考虑在乳腺诊断中起重要作用的乳腺病变的形状或轮廓属性。因此，亟需一种能够提高在乳腺超声方面重建图像和分类任务准确度的方法。

发明内容

本发明的目的在于解决现有技术中的问题，提供一种基于三重路径网络的乳腺辅助识别方法、系统、终端及介质，能够提高先验领域知识的利用率，提高乳腺超声图像的病变分类精度。

为达到上述目的，本发明采用以下技术方案予以实现：

基于三重路径网络的乳腺辅助识别方法，包括：

获取原始乳房超声图像，对原始乳房超声图像进行处理，获取面向BIRADS的特征映射；

将面向BIRADS的特征映射输入至SATPN网络中，基于编码器对面向BIRADS的特征映射进行特征提取，得到病变特征；

对病变特征分别进行分类训练和重建训练，获取图像重建误差和标签预测误差；

对图像重建误差和标签预测误差进行加权投票，得到最优的图像。

本发明的进一步改进在于：

对原始乳房超声图像进行处理，获取面向BIRADS的特征映射，具体为：

基于距离变换耦合高斯滤波器对原始乳房超声图像进行预处理；