[发明专利]一种连续扫描乳腺超声图像的实时检测与决策融合方法

说明书

本发明公开了一种连续扫描乳腺超声图像的实时检测与决策融合方法，属于图像分割与融合技术领域。所述实时检测与决策融合方法，具体包括如下步骤：首先，通过搭建并训练病变区域自动分割与分类的融合网络，获得相应的预测模型；之后，将预测模型嵌入至云端对连续扫描图像中的每帧图像进行病变区域实时检测；然后通过决策算法获得连续扫描图像对应病例的准确检测与分类结果；最后通过图像融合与拼接方法对连续扫描乳腺区域扫描所得检测结果进行空间合成，生成乳腺区域整体三维预测图像结果，并将结果在线反馈给医生。所述方法实现了乳腺区域整体三维预测图像结果可视化输出，提高了病变区域分割与分类等预测准确率与速度，便于嵌入硬件设备或云端。

技术领域

本发明涉及一种连续扫描乳腺超声图像的实时检测与决策融合方法，属于图像分割与融合技术领域。

背景技术

近几十年，乳腺癌已成为当前社会的重大公共卫生问题，乳腺癌成为重点筛查疾病也已成为共识。乳腺病变的临床影像学诊断方法主要包含：X线摄影、超声检查以及MRI(磁共振检查)。其中超声检查对人体没有损伤，因此成为乳腺病变大规模筛查的主要手段。乳腺病变分为良性病变与恶性病变，其中良性病变包含乳腺炎、乳腺增生、乳腺纤维瘤、乳腺囊肿等疾病；恶性病变包含乳腺癌、导管癌等疾病。基于超声图像的诊断大多由专业的妇科医生通过肉眼观察实现，这一过程耗时耗力，所以可以完成病变区域的自动分割与分类算法具有极大的应用前景。

深度学习是机器学习中一种基于对数据进行表征学习的方法，该概念由Hinton等人于2006年提出。Hinton等人提出的基于DBN(深度置信网络)非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望；此后Lecun等人提出的CNN(卷积神经网络)利用空间相对关系减少参数数目并提高了深度网络训练性能。基于CNN的R-CNN(基于区域特征的卷积神经网络)广泛应用于图像中的物体检测分割与分类应用领域。随着深度学习算法领域的迅速发展，RCNN系列包含RCNN、SppNET(基于空间金字塔池化的卷积神经网络)、Fast-RCNN(快速区域特征提取的卷积神经网络)、Faster-RCNN(加速的基于区域特征提取的卷积神经网络)与Mask-RCNN(基于区域特征的语义分割卷积神经网络)等不同的卷积网络结构。

MoiHoon Yap等人应用LeNet的对乳腺病变进行良性与恶性分类，但该算法在病变区域的自动检测上准确率较低且无法实现病变区域分割，并且依赖超声图像的特征提取结果，需要掌握一定的医学背景知识；此外，SeungYeon Shin与周振忠等人将Faster-RCNN应用到乳腺病变区域的自动检测与分类中，基于Faster-RCNN网络可同时实现图像检测与分类任务，且不需要医学背景知识，但该方法在病变区域分割与良恶性分类的准确率上均有待提高，并且无法分割出病变区域。因此，在无需专业的医学背景知识下对乳腺超声图像中的病变区域进行准确检测与分割以及良恶性分类，将极大的提高计算机辅助诊断的准确性以及其在临床上的应用。

发明内容

本发明针对现有乳腺超声图像扫描仪存在无法实时检测病变区域以及辅助决策诊断的技术缺陷，提出了一种连续扫描乳腺超声图像的实时检测与决策融合方法，对乳腺超声图像中的病变区域进行自动检测分割与分类，并通过决策算法获得准确的检测与分类结果，最后通过图像融合与拼接方法生成乳腺区域整体三维预测图像结果。

所述连续扫描乳腺超声图像的实时检测与决策融合方法，包含如下步骤：

步骤一：制作用于病变区域自动检测的训练数据集，具体为：采集多张乳腺超声图像，再对乳腺超声图像中含标注区域进行自动检测，生成相应的标注区域模板图像；基于标注区域模板图像，使用匹配方法对标注区域进行自动匹配填充，生成自动去标注的乳腺超声图像数据集；最后对自动去标注的乳腺超声图像数据集进行图像预处理，生成用于病变区域自动检测的训练集，具体包括如下子步骤：

步骤1.1、采集多张乳腺超声图像；