[发明专利]乳腺癌的超声图像处理方法、电子设备及存储介质

权利要求书

1.一种基于语义可解释的乳腺癌的超声图像处理方法，包括：

第一步，对乳腺的超声图像提取可解释特征，其中包括：提取所述超声图像的灰度共生矩阵和纹理特征，并提取多个形态特征，所述形态特征和BI-RADS描述的特征相同或相似，所述形态特征表征了肿瘤的形状、方位、边界及内部纹理特征；

第二步，对所述超声图像抽象特征提取，其中包括：对使用的深度神经网络模型，利用回归算法，学习出所述深度神经网络模型中每一个卷积核对应提取的特征，构成特征图，用特征图的全局均值代表该特征图，将最后一层卷积层形成的特征图均值向量作为抽象特征向量；

第三步，针对所述可解释特征和所述抽象特征，通过语义低秩回归算法计算得到不同特征在映射过程中权重系数矩阵W，选取权重高于预设值的具象特征用来解释深度学习判别模型中关注的信息，所述信息用于对乳腺癌的超声图像进行辅助判别，选取的所述具象特征能够提高特征测试模型的可信任度。

2.根据权利要求1所述的基于语义可解释的乳腺癌的超声图像处理方法，其特征在于，第一步的具体步骤如下：

S11，对所述超声图像提取灰度共生矩阵，具体为：通过分析灰度分布在空间位置上反复交替变化的特性来描述纹理，包括对于以矩阵形式表示的图像，基于方向θ和步长d，确定灰度共生矩阵中(i，j)位置的值为沿着θ方向，相距为d的一个像素值为i一个像素值为j的像素对出现的频数，以计算所述超声图像在方向、间隔、变化幅度及快慢上的综合信息，其中，θ为0°，45°，90°或135°方向；

S12，基于所述超声图像提取像素灰度和梯度的灰度梯度共生矩阵，其中，图像的灰度梯度共生矩阵是图像灰度像素和图像梯度大小的联合分布，图像的梯度通过微分算子获取，用于检验所述超声图像中灰度跳变的部分；

将所述像素灰度和梯度的灰度梯度共生矩阵进行融合，以获取所述超声图像的纹理排列和像素变化的信息；

S13，对所述超声图像提取纹理特征，以定量描述所述超声图像中的信息，其中包括从所述超声图像中提取灰度标准差、能量、灰度熵值、灰度均值、相关性的特征；

S14，对所述超声图像提取形态特征，以描述肿瘤的形状、方位、边界及内部纹理特征，其中包括描述以下至少一种：

肿瘤的似圆度、纵横比、和皮肤的生长角度、成叶、边缘粗糙度、边缘针刺化、内部钙化数、边境模糊度。

3.根据权利要求1所述的基于语义可解释的乳腺癌的超声图像处理方法，其特征在于，第二步的具体步骤包括：

利用深度神经网络模型对超声图像的抽象特征提取，其中包括利用CAM和/或Grad-CAM方法对所述超声图像的抽象特征提取。

4.根据权利要求1所述的基于语义可解释的乳腺癌的超声图像处理方法，其特征在于，第三步的具体步骤包括：

通过语义低秩回归算法对所述抽象特征进行提取，以提高所述抽象特征的可信任度；其中，

定义抽象特征为所述语义低秩回归算法的输入数据，x_t是对应第t(1≤t≤N)个样本深度学习抽象特征，d是抽象特征维度；设为所述语义低秩回归算法的输出的可解释特征，c是可解释特征的维度，y_t是第t个样本的对应的可解释特征；

所述语义低秩回归算法的回归模型的数学描述式：

其中，表示映射损失的l₂范数，l₂范数表示了抽象特征经过映射矩阵后和具象特征之间的差异度，映射损失随差异度的增大而增大，映射矩阵的表现随映射损失的增大而降低；θ是正则惩罚系数，用来正则低秩惩罚项RankW；

不同样本的深度学习抽象的特征相互关联，W矩阵是低秩的，矩阵的迹对矩阵的秩进行近似，TrW是矩阵的迹，定义为：

σ_i是W的第i个奇异值，W^T是W的转置。

权重系数矩阵W是映射过程中的权重，具体为计算具象特征在执行N个样本映射操作中的综合计算得到的总权重，其中，具象特征在样本集X上对判别器的影响程度为：

计算得到的W′，选择权重高于预设值的具象特征用来解释深度学习判别模型中关注的信息，所述信息作用于模式分类判别器，以提高特征测试模型的可信任度。