[发明专利]一种基于深度学习的乳腺钼靶胸大肌区域分割方法

权利要求书

1.一种基于深度学习的乳腺钼靶胸大肌区域分割方法，其特征在于：所述基于深度学习的乳腺钼靶胸大肌区域分割方法包括如下步骤：

S1、获取原始乳腺钼靶图像并进行预处理，所述预处理具体如下：

S11、将原始乳腺钼靶图像进行格式转换；

S12、基于最大轮廓检测算法对格式转换后的图像进行拍摄信息标签去除；

S13、基于Gamma校正对去除拍摄信息标签后的图像进行胸大肌区域特征增强；

S14、利用Labelme软件勾画Gamma校正后的图像的胸大肌区域生成Json文件；

S15、将Json文件转换为掩膜图像，标记胸大肌区域像素值为1，其余区域像素值为0；

S2、利用数据增强算法将对应的去除拍摄信息标签后的图像和掩膜图像分别进行扩充，将扩充后的图像归为数据集；

S3、建立DeepLabV3模型并利用数据集进行模型训练；

S4、将待识别乳腺钼靶图像依次进行格式转换、去除拍摄信息标签和Gamma校正，获得第一乳腺钼靶图像；

S5、采用训练好的DeepLabV3模型对第一乳腺钼靶图像中胸大肌区域进行预测，输出预测特征图，并将预测特征图重构尺寸为经过格式转换后的待识别乳腺钼靶图像的尺寸；

S6、将经过格式转换后的待识别乳腺钼靶图像和重构后的预测特征图进行相乘操作，获得去除胸大肌后的目标乳腺钼靶图像。

2.如权利要求1所述的基于深度学习的乳腺钼靶胸大肌区域分割方法，其特征在于：所述格式转换为将DICOM格式转换为PNG格式，所述掩膜图像为PNG格式。

3.如权利要求1所述的基于深度学习的乳腺钼靶胸大肌区域分割方法，其特征在于：所述利用数据增强算法将对应的去除拍摄信息标签后的图像和掩膜图像分别进行扩充，具体如下：

S21、将对应的去除拍摄信息标签后的图像和掩膜图像分别进行N种Gamma值的Gamma校正；

S22、将校正前后的图像均进行水平翻转，获得扩充后的图像，所述扩充后的图像包括校正前后的图像和水平翻转后的图像。

4.如权利要求3所述的基于深度学习的乳腺钼靶胸大肌区域分割方法，其特征在于：步骤S21中，N＝4，Gama值分别为0.43、0.51、0.55和0.68。

5.如权利要求1所述的基于深度学习的乳腺钼靶胸大肌区域分割方法，其特征在于：所述将扩充后的图像归为数据集前还将扩充后的图像重构为相同尺寸。

6.如权利要求1所述的基于深度学习的乳腺钼靶胸大肌区域分割方法，其特征在于：所述利用数据集进行模型训练采用Cross Entropy Loss和Dice Loss作为总损失函数。