基于肿块差异化分类的全视野自适应分割网络配置方法

摘要

本发明提供基于肿块差异化分类的全视野自适应分割网络配置方法，包括对全视野的图像进行预处理，增强图像的局部对比度和减少其他噪音；对预处理后的图像进行形态学的腐蚀操作，缩小每个肿块的边界，获得目标图像；对目标图像喂入生成式对抗网络进行分类，将目标图像分为不规则多肿块、圆滑多肿块、不规则单肿块以及圆滑单肿块；将分类后的图像进行形态学的膨胀操作，得到带有分类标签的图像；进行四种分割网络模型的设计和肿块分割；根据分割指标衡量基于肿块差异化分类的全视野自适应分割网络的分割效果。本发明提供的基于肿块差异化分类的全视野自适应分割网络配置方法，相比于人工提取感兴趣的目标肿块区域更加智能化高效化。

说明书

技术领域

本发明涉及图像分割技术领域，特别涉及基于肿块差异化分类的全视野自适应分割网络配置方法。

背景技术

近年来，随着计算机视觉的不断发展，图像分割技术被应用到各行各业，其中，乳腺肿块分割也受到众多研究者的关注。乳腺钼靶检查是目前最常见的也是最有效的乳腺癌前期筛查方法。放射科医生在乳腺钼靶图像分析的过程中，往往会受到主观因素或者诊断经验的影响，导致实体间与观察者之间存在差异，因此使用计算机辅助检测或诊断技术检测钼靶照片中的肿块、钙化等异常发挥了重要作用，因此设计一种有效地乳腺肿块的分割辅助系统至关重要。

在过去的几十年中，已经开展了大量的研究，用于开发乳腺钼靶图像的肿块分割，其中深度学习在乳腺肿块分割方面有着许多进展，但是目前对于乳腺肿块的分割大多都是在人为或者借助检测技术提取感兴趣的目标肿块区域后，再进行分割，而人为提取包含肿块的目标区域对于放射科医生来说是一项繁琐而又困难的工作，因此构建全视野范围的乳腺肿块自动分割技术具有很高的应用价值，对于同时进行多个乳腺肿块的识别与分割的研究少之又少。

发明内容

本发明的目的在于提供一种基于肿块差异化分类的全视野自适应分割网络配置方法，以解决人为或借助检测技术提取感兴趣的目标肿块区域繁琐及低效等问题。

为了解决上述技术问题，本发明的技术方案是：提供基于肿块差异化分类的全视野自适应分割网络配置方法，包括以下步骤：步骤1：对全视野的图像进行预处理，增强图像的局部对比度和减少其他噪音；步骤2：对预处理后的图像进行形态学的腐蚀操作，缩小每个肿块的边界，获得目标图像；步骤3：对所述目标图像喂入生成式对抗网络进行分类，将所述目标图像分为不规则多肿块、圆滑多肿块、不规则单肿块以及圆滑单肿块；步骤4：将分类后的图像进行形态学的膨胀操作，还原由于步骤2中所进行的腐蚀操作而造成肿块缩小，得到带有分类标签的图像；步骤5：根据步骤3中四类目标图像的特点分别进行四种分割网络模型的设计和肿块分割；步骤6：根据分割指标衡量基于肿块差异化分类的全视野自适应分割网络的分割效果。

进一步地，在步骤1中，对全视野的图像进行预处理包括：直方图均衡化、二值滤波以及伽马变换。

进一步地，在步骤5中对四种分割网络模型设计和肿块分割：针对不规则多肿块，采用在R2U-Net网络基础上增加注意力机制模块的同时，增加空洞空间卷积池化金字塔模块，并且将原有的循环卷积层替换为交叉特征累积模块；针对圆滑多肿块，采用在R2U-Net网络基础上增加注意力模块的同时，增加多肿瘤感知模块，所述多肿瘤感知模块中每个卷积层使用三种不同大小的内核构建特征图；针对不规则单肿块，采用在R2U-Net网络基础上增加注意力机制模块的同时，将超像素图像和原始图像连接起来作为本网络的输入，提取不规则肿块的边缘轮廓信息；针对圆滑单肿块，在R2U-Net网络基础上增加注意力机制模块，带有所述注意力机制模型训练的网络抑制不相关区域并突出有用特征，自动学习聚焦于不同形状和大小的目标结构。

进一步地，所述分割指标包括敏感性、特异性、准确率、查全率、骰子系数以及杰卡德相似系数。

本发明提供的基于肿块差异化分类的全视野自适应分割网络配置方法，充分考虑了整个医学图像中肿块的分割，相比于人工提取感兴趣的目标肿块区域更加智能化高效化；采用了形态学处理中的腐蚀与膨胀操作，既提高了肿块分类的准确性，又基本保留了肿块原有形态，提升了肿块分割效果；先分类后分割的网络自适应配置，通过分类模型将肿块分为四大类，再分别通过不同的分割网络进行分割，大大提高了分割的准确率、查全率等分割指标。

附图说明

下面结合附图对发明作进一步说明：

图1为本发明实施例提供的基于肿块差异化分类的全视野自适应分割网络配置方法步骤流程示意图。

具体实施方式

以下结合附图和具体实施例对本发明提出的基于肿块差异化分类的全视野自适应分割网络配置方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。

本发明的核心思想在于，本发明提供的基于肿块差异化分类的全视野自适应分割网络配置方法，充分考虑了整个医学图像中肿块的分割，相比于人工提取感兴趣的目标肿块区域更加智能化高效化；采用了形态学处理中的腐蚀与膨胀操作，既提高了肿块分类的准确性，又基本保留了肿块原有形态，提升了肿块分割效果；先分类后分割的网络自适应配置，通过分类模型将肿块分为四大类，再分别通过不同的分割网络进行分割，大大提高了分割的准确率、查全率等分割指标。

本发明的技术方案提供基于肿块差异化分类的全视野自适应分割网络配置方法，图1为本发明实施例提供的基于肿块差异化分类的全视野自适应分割网络配置方法步骤流程示意图。参照图1，基于肿块差异化分类的全视野自适应分割网络配置方法包括以下步骤：

S11：对全视野的图像进行预处理，增强图像的局部对比度和减少其他噪音；

S12：对预处理后的图像进行形态学的腐蚀操作，缩小每个肿块的边界，获得目标图像；

S13：对所述目标图像喂入生成式对抗网络进行分类，将所述目标图像分为不规则多肿块、圆滑多肿块、不规则单肿块以及圆滑单肿块；

S14：将分类后的图像进行形态学的膨胀操作，还原由于S12中所进行的腐蚀操作而造成肿块缩小，得到带有分类标签的图像；

S15：根据S13中四类目标图像的特点分别进行四种分割网络模型的设计和肿块分割；

S16：根据分割指标衡量基于肿块差异化分类的全视野自适应分割网络的分割效果进一步地，在S15中，根据节点的优先级设置动态定时器，优先级越高的节点等待时间越短。

在本发明实施例中，将图像转换为灰度图像，先通过局部阈值法和去除小面积法去除背景中的标签及其他干扰，保留乳腺及胸肌部分，再通过直方图均衡化、二值滤波、伽马变换操作实现增加图像的局部对比度、对图像平滑去燥、进行图像增强的效果。

在步骤2中，腐蚀操作的定义为：当结构元b的原点位于(x,y)处时，用一个平坦的结构元b在(x,y)处对图像f的腐蚀定义为图像f与b重合区域的最小值。结构元素b对一副图像f在(x,y)处的腐蚀有下列公式给出：

也就是说，为寻求b对f的腐蚀，我们把结构元的原点放在图像每一个像素的位置，在任何位置的腐蚀由从包含在b重合区域中的f的所有值中选取最小值决定。通过腐蚀操作后所获得目标图像，所述目标图像为图像内容待分类的图像。

在步骤3中，采用的是半耦合生成式对抗网络对乳腺肿块进行分类，与传统的卷积神经网络相比，该方法具有更高的精度，降低了计算成本，此外，半耦合生成式对抗网络还提高了对抗训练的稳健性。

在步骤4中，膨胀操作定义为：当b的原点位于位置(x,y)处时，平坦结构元b在任何位置(x,y)处对图像f的膨胀定义为图像f与b重合区域的最大值，即:

此时获得的目标图像为图像内容待分割同时带有分类标签的图像。

在步骤5中，针对不规则多肿块，采用在R2U-Net网络基础上增加注意力机制(AG)模块的同时，增加空洞空间卷积池化金字塔(ASPP)模块，并且将原有的循环卷积层替换为交叉特征累积模块(CFA)，可以有效的提取不规则多肿块的信息；针对圆滑多肿块，采用在R2U-Net网络基础上增加注意力(AG)模块的同时，增加多肿瘤感知模块(MSM)，MSM模块中每个卷积层使用三种不同大小的内核来构建特征图，用来提取接收域不同的图像特征，这样的特征图携带了多尺度的上下文信息，并保存了精细的肿瘤位置信息；针对不规则单肿块，采用在R2U-Net网络基础上增加注意力机制(AG)模块的同时，为了增强轮廓并提供结构信息，我们将超像素图像和原始图像连接起来作为本网络的输入，更好地提取不规则肿块的边缘轮廓信息；针对圆滑单肿块，在R2U-Net网络基础上增加注意力机制(AG)模块，带有AG模型训练的网络能抑制不相关区域并突出有用特征，该模型自动学习聚焦于不同形状和大小的目标结构。

乳腺图像分割的目的是得到每个像素的分割结果，确定像素是肿块还是背景。在步骤6中，通过将ground truth(GT)与segmentation results(SR)进行比较，有四种情况:True positive(TP)，表示正确地将病灶划分为正类别的像素单元个数；False positive(FP)，表示错误地将背景划分为正类别的像素单元个数。真阴性(TN)，表示正确将像素划分为阴性类别的像素个数；假阴性(FN)，表示错误的将像素划分为负类别的像素个数。最常用的评价指标来评价实验的表现:敏感性(SE)，特异性(SP)，准确性(Acc)，查全率(PPV)，F-Measure(F1)、Dice系数(DC)和杰卡德相似系数(JC)。它们的具体定义如下：

通过这些分割指标的评测，基于肿块差异化分类的全视野自适应分割网络的分割效果较好。

显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。