[发明专利]基于多任务学习的乳腺超声图像目标区域识别方法及系统

说明书

本发明属于图像处理领域，提供了一种基于多任务学习的乳腺超声图像目标区域识别方法及系统，包括采集患者原始乳腺超声图像并进行预处理；基于预处理后的乳腺超声图像，利用预先训练好的多任务学习模型进行性质判断和目标区域分割。本发明利用多任务网络模型可以同时处理多个相关性任务，通过共享特征提取模块，将不同任务的特征进行融合，充分利用分类和分割的任务相关性，从而提高乳腺图像的分类和分割精度。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于多任务学习的乳腺超声图像目标区域识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

由于现实中存在着采集超声图像模糊、医生临床诊断经验不同等原因，不同医生对同一病人医学图像的解读有差异。同时，仅用人工进行判断的效率较低，在医学图像判读工作量较大时，会因为疲劳等因素使得超声图像判断准确性产生影响。近年来，人工智能及计算机技术的发展对医疗领域产生了重要影响。

由于乳腺超声图像中组织与周围组织的密度、纹理等特征相似，难以区分，以及受到噪声、光照等因素的影响，也会导致图像质量下降，导致目标区域的识别精度和分类准确度较差。近年来，人工智能及计算机技术的发展对医疗领域产生了重要影响。但是，现有的深度学习医疗图像识别算法在实际应用过程中算法复杂度高，在增加算法执行时长的同时也使得检测结果的精度降低。

发明内容

为了解决上述问题，本发明提出了一种基于多任务学习的乳腺超声图像目标区域识别方法及系统，本发明利用多任务网络模型可以同时处理多个相关性任务，通过共享特征提取模块，将不同任务的特征进行融合，充分利用分类和分割的任务相关性，从而提高乳腺图像的分类和分割精度。

根据一些实施例，本发明的第一方案提供了一种基于多任务学习的乳腺超声图像目标区域识别方法，采用如下技术方案：

基于多任务学习的乳腺超声图像目标区域识别方法，包括：

采集患者原始乳腺超声图像并进行预处理；

基于预处理后的乳腺超声图像，利用预先训练好的多任务学习模型进行性质判断，并对带有不规则区域的乳腺超声图像进行目标区域分割；

其中，所述利用预先训练好的多任务学习模型进行性质判断，并对带有不规则区域的乳腺超声图像进行目标区域分割，具体为：

对预处理后的乳腺超声图像进行分块，得到乳腺超声分块图像；

基于乳腺超声分块图像进行四次下采样处理，提取不同尺度的深层特征图；

基于第四次下采样后的深层特征图进行图像分类，得到乳腺超声图像的性质判断结果，同时将第四次下采样后的深层特征图输入到第一层转置卷积层进行上采样；

将前三次下采样提取到的不同尺寸的深层特征图与前三层转置卷积层的输出特征图进行融合连接再输出到下一层转置卷积层进行上采样，得到乳腺超声目标区域分割识别结果。

进一步地，所述多任务学习模型的训练过程，具体为：

获取患者原始乳腺超声样本图像并进行预处理；

对预处理后的乳腺超声样本图像进行标签制作，确定带标签的乳腺超声样本图像；

将带标签的乳腺超声样本图像拆分为训练集和测试集；

利用训练集，训练多任务学习模型，得到训练好的多任务学习模型；

基于测试集，利用训练好的多任务学习模型进行性质判断和目标区域分割，验证训练好的多任务学习模型的有效性。