[发明专利]基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统

说明书

本发明公开了基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统，涉及医学图像处理领域，步骤如下：S1，获取乳腺超声肿瘤灰度图像数据集，标注数据并作图像预处理；S2，将预处理图像进行吸收度变换，得到超声吸收度图像；S3，将乳腺超声肿瘤灰度图像和对应的超声吸收度图像作为双视图，输入双视图检测模型；S4，双视图检测模型分别对双视图进行特征提取，有效反映双视图中肿瘤感兴趣区域；所述S4包括：将双视图不同尺度的特征图嵌入DFT单元进行特征融合。本发明结合乳腺超声肿瘤灰度图和吸收度图，弥补乳腺超声肿瘤灰度图像信息不足的缺陷；利用DFT单元动态学习灰度图像和吸收度图像的二元关系，对二者进行融合与交互，增强关联性和互补性。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统。

背景技术

正确解读超声图像需要大量临床经验的积累，不仅耗时且易受主观性的影响；同时，乳腺超声肿瘤图像存在散斑噪声和对比度低等问题，仅凭人眼判断易产生误判。为了加强肿瘤检测的准确性，应该顺应数字时代的发展，将乳腺肿瘤计算机辅助诊断(ComputerAided Diagnosis,CAD)技术应用于乳腺超声肿瘤图像分析。乳腺肿瘤病变区域检测作为CAD技术中最重要的步骤之一，实现其高效准确的检测具有重要的意义和应用价值。

近年来，基于深度学习的乳腺 CAD 研究有了较大进展。Zhang等人针对形状较小乳腺肿瘤难以检测到的问题，基于Faster RCNN网络引入多尺度和多分辨率候选边界的提取，以提高对形状较小的乳腺肿瘤的检测，检测精度达到91.30%（Zhang Z, Zhang X, LinX, et al. Ultrasonic Diagnosis of Breast Nodules Using Modified Faster R-CNN[J]. Ultrasonic Imaging, 2019,41(6):353-367.）。徐丽芳等人在YOLOv3的基础上构建SE-Res2Net网络和设计新型下采样模块，以缓解乳腺超声肿瘤图像边界模糊、噪声大和对比度低，导致特征难以提取易出现误检漏检的问题，提高特征提取能力，相比于基础网络提高了4.56个百分点（徐立芳,傅智杰,莫宏伟.基于改进的YOLOv3算法的乳腺超声肿瘤识别[J].智能系统学报,2021,16(01):21-29.）。综上所述，深度学习在乳腺肿瘤病变区域检测领域取得了较好的研究进展。但目前大部分研究偏向于单视图解决超声图像成像方式导致背景灰度值与病变区特征区分度小的问题，容易忽略形状小的肿瘤，且难以分辨灰度相似组织的差异和成像时腺体重叠的现象，导致对乳腺超声肿瘤图像检测的不准确。

发明内容

本发明的目的在于解决现有技术中的乳腺超声肿瘤图像检测不准确的问题。

本发明解决其技术问题所采用的技术方案是：提供基于吸收度的双视图乳腺肿瘤病变区自动检测方法，包括以下步骤：

S1，获取乳腺超声肿瘤灰度图像数据集，标注数据集中乳腺肿瘤的位置，并对数据集进行预处理，生成预处理的乳腺超声肿瘤图像数据集；

S2，将预处理图像根据超声波透射原理进行吸收度变换，得到超声吸收度图像；

S3，将预处理后的乳腺超声肿瘤灰度图像和对应的超声吸收度图像作为双视图，输入双视图检测模型；

S4，双视图检测模型通过双流backbone主干网络，分别对双视图进行特征提取，通过多层卷积分别有效反映出双视图中肿瘤感兴趣区域；

所述S4包括：将不同尺度的乳腺超声肿瘤灰度图像特征和吸收度图像特征嵌入DFT单元，进行特征融合，其中，i=2、3、4，再将融合后的特征图和加回到各自原来的特征图和上，依次输出不同尺度特征的特征图P2、P3和P4，以充分利用不同视图间的特征信息，提高对乳腺肿瘤病变区域的检测，最后融合特征图P2、P3和P4，作为预测图像输出。