[发明专利]融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质

权利要求书

1.一种融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法，其特征在于，所述方法包括以下步骤：

S210：获取超声图像，所述超声图像包括乳腺部位；

S220：对所述超声图像进行处理，获得所述超声图像中的目标区域，所述目标区域中包括有乳腺病灶区域；获得所述超声图像中的目标区域通过以下方式进行：获取样本超声图像和标注信息，形成训练集，所述标注信息用于标注出所述样本超声图像中的乳腺病灶区域；基于所述训练集训练深度学习网络；基于训练后的所述深度学习网络对新输入超声图像识别目标区域；

S230：对识别出目标区域的超声图像进行特征提取，得到第一特征，所述第一特征为深度特征；对识别出目标区域的超声图像进行特征提取处理，得到第二特征，所述第二特征基于至少5种不同影像组学图像处理算子获得的多个纹理特征及边缘特征得到；

S240：融合所述第一特征和第二特征，得到第一融合特征；

S250：对所述第一融合特征进行特征筛选处理，得到第二融合特征；

S260：基于所述第二融合特征，获得乳腺癌超声图分型结果；

所述S230中，所述多个纹理特征及边缘特征包括：通过SIFT算子提取第一纹理特征，通过LBP算子提取第二纹理特征，通过GLSZM算子提取第三纹理特征，通过LOG算子提取第一边缘特征，通过Gabor算子提取第二边缘特征；

所述通过SIFT算子提取第一纹理特征的具体方法为：

步骤a、通过对原始图像进行尺度变换，获得图像多尺度下的尺度空间表示序列，对这些序列进行尺度空间主轮廓的提取，并以该主轮廓作为一种特征向量，实现边缘、角点检测不同分辨率上的关键点提取；

步骤b、将每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度空间域的相邻点大或者小，以保证检测到的关键点在尺度空间和二维图像空间上都是局部极值点；

步骤c、对步骤b检测到的局部极值点进一步筛选，去除不稳定和错误检测出的局部极值点，并确定在下采样图像中提取的极值点对应在原始图像中的确切位置，确定稳定关键点的精确定位；

步骤d、为稳定关键点分配方向信息，对于任一稳定关键点(x，y)，其梯度幅值表述为公式：

梯度方向为公式：

其中，L(x，y)是其及其某个尺度的灰阶值，稳定关键点的方向计算是以关键点为中心的邻域内所有点的梯度方向，累计落到每个方向内的关键点个数，以此生成梯度方向直方图；将梯度方向直方图中纵坐标最大的项代表的方向分配给当前的稳定关键点作为主方向；

步骤e、对稳定关键点周围像素区域分块，计算块内梯度直方图，生成具有独特性的向量，这个向量作为该稳定关键点的描述；

所述S240中，融合所述第一特征和第二特征的具体方式为：

以BxNxD的维度作为输入，将第一特征、第二特征输入到聚类模型，对于不满足输入维度的情况，进行映射改变维度，其中，B为BatchSize，D为局部描述子的维度，N为输入数据的局部描述子个数，将输入的每个样本特征看成N个D维的局部描述算子；输入的BxNxD数据经过1x1大小的卷积核进行卷积处理，然后运算得到权重；

所述聚类模型为：

其中V(j,k)为公式(5)的输出的数据，a_k为softmax输出的权重，x_i(j)和c_k(j)分别为第i个局部描述子和第k个聚类中心的第j个特征值，其中i，j，k分别为正整数。

2.根据权利要求1所述的方法，其特征在于，所述S250中，进一步包括：依据特征重要性判定，对所述第一融合特征进行筛选，所述特征重要性判定基于LightGBM网络实现。