[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

说明书

本发明公开了一种基于语义可解释的乳腺癌的超声图像处理方法、电子设备以及种计算机可读存储介质，该方法包括：第一步，对乳腺的超声图像提取可解释特征；第二步，对所述超声图像抽象特征提取；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。该方法以及本发明各实施例既能够从语义上解释神经网络的判别规则又能够减少人工干预，能够将深度学习不可解释的抽象特征映射到可解释的语义特征空间，依据各特征的重要程度，进行可解释的乳腺癌超声图像的准确辅助鉴别。

技术领域

本发明涉及基于超声的图像处理领域，更具体地说，涉及一种基于语义可解释的乳腺癌的超声图像处理方法及电子设备以及计算机可读存储介质。

背景技术

近年来，随着计算机技术的发展，人工智能辅助诊断系统已成为当前的主要研究和发展趋势，目前已在眼科学、肿瘤学、影像学等领域进行了开拓和研究。乳腺癌的临床诊断手段符合计算机辅助处理系统设计的需要，推进乳腺超声辅助处理系统在临床上的应用具有重要意义。

传统的辅助处理系统是基于专家系统理论、模式识别等理论，发展出后验概率、决策树、逻辑推理等算法。深度学习即深度神经网络，其本质就是堆叠多个神经元层，通过计算大数据来自动学习深度神经网络参数，能够提高图像处理的准确性。但是深度学习方法不用给定原因便得出结论，学习模型是一堆看不懂参数堆叠而成的结果，不能对解释深度神经网络学习到了那些知识，如何学习。如果一个模型完全不可解释，那么在很多领域的应用就会因为没办法给出更多可靠的信息而受到限制。尤其在医疗应用场景下，神经网络模型的输出不具有明确的病理含义，这种不可测性和不可解释性，不符合医生、患者的诊疗需求。

目前对用于超声辅助诊断的超声图像的分析研究还不能解决对乳腺癌的超声图像的可解释问题。如中国专利，申请号CN202010860099.8的专利文献，公开了一种医学超声诊查过程的动态可解释推理辅助诊断方法，利用医学超声知识图谱实时识别诊查过程中的牵涉实体，通过牵涉实体的推理路径实现推理过程的可解释性；通过知识图谱中实体的路径游走与有效推理路径排名，实现对超声医生扫查的步骤化引导与对疾病的动态推理诊断。该方法是对超声扫查过程中对操作者提供辅助和引导，未针对超声图像中目标物的准确判别提供解决方法。又如中国专利，申请号CN201310065959.9的专利文献，公开了处理超声图像的方法和装置以及乳腺癌诊断设备，对接收的超声图像进行图像过分割以获得多层结构的分段。该装置是对乳腺图像的分割方法，不能提供辅助分析功能。

综上，目前使用计算机对乳腺癌的超声图像进行处理的方法存在对判别结果的可解释性不足问题，亟待给出具有明确医学信息解释的超声图像处理方法。

发明内容

本发明的目的之一在于提供一种基于语义可解释的乳腺癌超声图像的处理方法。

所述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。

作为可选，第一步的具体步骤如下：