[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

说明书

本发明公开了一种基于深度学习的乳腺钼靶胸大肌区域分割方法，包括：获取原始乳腺钼靶图像并预处理：依次进行格式转换、去除标签、Gamma校正、勾画胸大肌并转为掩膜图像；将对应的去除拍摄信息标签后的图像和掩膜图像进行扩充，获得数据集；建立DeepLabV3模型并训练；将待识别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；采用训练好的模型对第一乳腺钼靶图像进行预测，输出预测特征图并重构尺寸；将经过格式转换后的待识别图像和重构后的预测特征图相乘，获得目标乳腺钼靶图像。该方法可提高钼靶影像去除胸肌部分的效率及腺体含量计算精准度，为患者患乳腺癌风险的预测提供更好的依据。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度学习的乳腺钼靶胸大肌区域分割方法。

背景技术

乳腺癌是女性恶性肿瘤之首，当前数字乳腺X线(钼靶)是筛查早期乳腺癌的主要检查手段，早在1976年就有学者提出钼靶影像中的腺体密度可以作为乳腺癌的独立风险因素之一，在后续的研究中相继有学者提出原发及复发性乳腺癌都与患者的腺体密度有着强相关性。精准的提取出钼靶影像中的腺体部分对后续的诊断有着极大的帮助，但是由于胸大肌区域与腺体区域的灰阶度较为相似，通过计算机技术对钼靶影像腺体部分提取时，胸大肌部分对其精度有着较大的影像。正确的分割钼靶影像中胸大肌部分对乳腺腺体含量估计以及患者患乳腺癌风险的预测有着重要意义。

现阶段去除钼靶图像中胸大肌区域较为常见的有以下两种方法：一种是基于传统图像特征提取的方法，通过灰度变化、边缘检测、灰度共生矩阵等方法提取出胸肌和脂肪间隙两者之间的特征，通过两者特征之间的差异找出胸肌边界；另一种方法则是使用机器学习的方法结合钼靶图像中像素点特征构建机器学习模型，从而进行模型的预测得到胸肌区域，如K均值聚类、支持向量机(SVM)和模糊K均值聚类法。但这两类方法存在如下缺陷：由于钼靶图像分辨率较高，无效信息含量较多的特点，机器学习进行目标预测时，在精度达标的同时，其计算机资源消耗较高，且速度较慢；由于不同种类乳腺含量不同，脂肪间隙常包含部分腺体、不同钼靶机及医生拍摄时造成的差异。在这些特殊情况下，传统图像算法耗时较慢，且最终处理的效果不太理想。

发明内容

本发明的目的在于针对上述问题，提出一种基于深度学习的乳腺钼靶胸大肌区域分割方法，可提高钼靶影像去除胸肌部分的效率及腺体含量计算精准度，为患者患乳腺癌风险的预测提供更好的依据。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种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，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；