基于常态模型学习的乳腺X线图像病变检测方法和装置制造方法及图纸

本发明专利技术的实施例提供了一种基于常态模型学习的乳腺X线图像病变检测方法和装置。所述方法包括从乳腺X线图像中分割出乳腺区域；提取图像块，进行亮度归一化处理；选取一部分正常区域图像块作为训练集，输入到双重深度卷积神经网络模型进行训练，得到常态模型；从训练集中选取若干正常区域图像块作为模板，输入到常态模型，得到模板图像的特征向量；将测试集输入到常态模型，得到测试图像的特征向量；将模板图像和测试图像的特征向量输入到最近邻分类器执行一类分类，得到测试结果。本发明专利技术打破依赖病变特殊影像特征的传统病变检测模式，解决现有技术仅能检测特定类型病变的难题，实现所有类型病变的全方位检测，全面提高病变检出率和准确率。

【技术实现步骤摘要】
基于常态模型学习的乳腺X线图像病变检测方法和装置
本专利技术的实施例一般涉及图像处理及深度卷积神经网络领域，并且更具体地，涉及一种基于常态模型学习的乳腺X线图像病变检测方法和装置。
技术介绍
乳腺癌是目前危害全球女性健康最常见的恶性肿瘤，近年来中国女性乳腺癌的发病率显著增长，中国许多地区已经陆续启动了“两癌”筛查工作。乳腺X线摄影术(Mammography)是目前国际上公认的乳腺癌筛查及早期诊断的有效医学影像检查手段，在乳腺癌筛查中发挥着非常重要的作用。近年来随着计算机视觉、机器学习等人工智能技术的飞速发展，计算机辅助诊断(Computer-AidedDiagnosis,CAD)技术成为人工智能+医学图像领域的主要研究热点，用于在临床中辅助医生分析和理解医学图像，提高医生的诊断效率和诊断准确率。现有技术主要集中检测乳腺X线图像中的微钙化(Microcalcification)与肿块(Mass)这两类病变，主要依赖病变区域的特殊影像表现，如利用微钙化点的高亮度特性、肿块与周围组织间的边缘特性，从图像中分割出病变；或人工定义和提取病变的影像特征，采用有监督的方式，建立病变模型以实现病变检测。随着深度学习
的发展，深度学习技术在医学影像中的应用提高了CAD系统的诊断性能，其利用深度神经网络，学习病变的潜在表征，克服了基于人工定义特征的病变检测技术的不足。尽管现有的乳腺X线图像病变检测技术已取得了不错的检测效果，但这些技术局限于病变的特殊影像模型，仅能够检测特定类型的病变，检测能力单一，对模型描述范围之外的病变缺乏检测能力，针对不同类型的病变，需要采用不同的检测技术。此外，基于深度学习的检测技术面临着缺乏大规模有效训练集这一首要挑战。实际中，病变样本数量非常有限，且种类多样、差异性大，往往缺少标签或注释，这些都严重阻碍了通过有监督学习方式得到有效的病变检测模型，训练的模型因样本的缺失和不均衡极大可能存在过拟合。综上，现有技术通用性低、泛化能力差，无法同时检测多类病变，且面临缺少有效病变训练集等问题。
技术实现思路
根据本专利技术的实施例，提供了一种基于常态模型学习的乳腺X线图像病变检测方案。在本专利技术的第一方面，提供了一种基于常态模型学习的乳腺X线图像病变检测方法。该方法包括：从乳腺X线图像中分割出乳腺区域，得到乳腺图像；从所述乳腺图像中的乳腺区域内提取若干个正常区域图像块和病变区域图像块，并对图像块进行亮度归一化处理；将归一化后的一部分正常区域图像块作为训练集，输入到双重深度卷积神经网络模型进行训练，将训练后的双重深度卷积神经网络模型作为常态模型；从训练集中选择若干图像块作为模板，输入到所述常态模型进行特征提取，并将提取到的特征向量作为模板图像的特征向量；将包含病变区域的图像块和未用于模型训练的正常区域图像块作为测试集，输入到所述常态模型进行特征提取，得到测试图像的特征向量；将模板图像和测试图像的特征向量输入到最近邻分类器执行一类分类，得到所述测试图像的测试结果。进一步地，所述从乳腺X线图像中分割出乳腺区域，包括：通过灰度直方图的全局阈值化，对目标区域进行预分割，生成最大目标区域的外侧近似边界；对所述目标区域的外侧近似边界周围进行多尺度边缘检测，得到若干个初步乳腺外侧区域边界点，并拟合成乳腺外侧区域边界；根据基于区域生长的方法识别胸肌和乳腺组织边界，得到乳腺内侧区域边界；所述乳腺外侧区域边界和所述乳腺内侧区域边界构成乳腺区域。进一步地，所述通过灰度直方图的全局阈值化，对目标区域进行预分割，生成目标区域的外侧近似边界，包括：对灰度直方图进行高斯平滑处理，并根据高斯平滑处理后的灰度直方图选取全局阈值，对乳腺X线图像进行全局阈值化，得到二值图像；其中灰度直方图的两个峰值分别对应于乳腺X线图像的背景和乳腺组织区域，两个峰值之间的谷值为全局阈值；通过二维高斯滤波器对所述二值图像进行平滑处理，得到最大目标区域，将所述最大目标区域作为乳腺区域的近似掩模，得到所述最大目标区域的外侧近似边界；所述对所述目标区域的外侧近似边界进行多尺度边缘检测，得到若干个初步乳腺外侧区域边界点，并拟合成乳腺外侧区域边界，包括：在所述最大目标区域的外侧近似边界上均匀放置若干个点，通过每个点绘制一条正交线；将每条正交线上的像素点与多尺度高斯核导数进行卷积，每条正交线得到若干个可能的乳腺区域边界点；将得到的可能的乳腺区域边界点使用活动轮廓模型生成初步乳腺外侧区域边界点；利用三次多项式拟合，将若干个离散的初步乳腺外侧区域边界点拟合成一个平滑连续的轮廓，作为乳腺外侧区域边界；所述根据基于区域增长的方法识别胸肌和乳腺组织边界，得到乳腺内侧区域边界，包括：利用一条斜率为-1的直线，通过多尺度边缘检测方法在该直线上检测边缘点，使用包含边缘强度和边缘位置的量度来选择种子点；所述种子点置于胸肌和乳腺组织的边界附近；根据平均亮度相似性从所述种子点进行区域生长；所述区域生长从一个亮度差异初始阈值开始，所述亮度差异初始阈值在所述区域生长过程中迭代增加，当生成的区域接近图像边界时，停止区域生长，得到区域生长结果；利用局部加权回归散点平滑方法对所述区域生长结果进行胸肌边界细化，得到乳腺内侧区域边界。进一步地，所述正常区域图像块中仅包含乳腺区域，且通过设置冗余阈值，使每两个正常区域图像块之间的冗余度不超过所述冗余阈值；每个病变区域图像块中只包含一处病变区域，使病变区域处于其所在图像块的中心位置，且使该图像块包含的背景最小。进一步地，所述双重深度卷积神经网络模型包括并联的两个结构相同的CNN，即参考网络和目标网络；所述参考网络由参考数据集进行训练，所述目标网络由目标数据集进行训练；所述参考数据集为ImageNet数据集，所述目标数据集为正常的乳腺X线图像数据；每个CNN由特征提取子网和分类子网组成，并通过两个子网联合训练；所述分类子网由一个全连接层和损失层组成；所述特征提取子网由5个卷积层和2个全连接层组成，且每个卷积层和全连接层后设置ReLU激活层，在每个卷积层和其后的ReLU激活层之间以及每个全连接层与其后的ReLU激活层之间设置批标准化层；所述5个卷积层中的第一卷积层、第二卷积层和第五卷积层后的ReLU激活层连接池化层；所述2个全连接层后的ReLU激活层连接丢弃层；以所述特征提取子网的最后一个全连接层的输出作为训练图像和测试图像的特征表示。进一步地，在训练阶段，双重深度卷积神经网络模型输出的损失值为组合损失；所述组合损失为：l(r,t)＝αlD(r)+βlC(t)其中，α和β是取值在[0，1]的常数，表示描述性损失和紧密性损失之间的权重；r和t分别代表所述参考数据集和目标数据集；lD为描述性损失；lC为紧密性损失；所述描述性损失lD，用于评价所学特征描述不同概念的能力，通过参考网络R的损失层的softmax函数本文档来自技高网...

【技术保护点】
1.一种基于常态模型学习的乳腺X线图像病变检测方法，其特征在于，包括：/n从乳腺X线图像中分割出乳腺区域，得到乳腺图像；/n从所述乳腺图像中的乳腺区域内提取若干个正常区域图像块和病变区域图像块，并对图像块进行亮度归一化处理；/n将归一化后的一部分正常区域图像块作为训练集，输入到双重深度卷积神经网络模型进行训练，将训练后的双重深度卷积神经网络模型作为常态模型；/n从训练集中选择若干图像块作为模板，输入到所述常态模型进行特征提取，并将提取到的特征向量作为模板图像的特征向量；将包含病变区域的图像块和未用于模型训练的正常区域图像块作为测试集，输入到所述常态模型进行特征提取，得到测试图像的特征向量；/n将模板图像和测试图像的特征向量输入到最近邻分类器执行一类分类，得到所述测试图像的测试结果。/n

【技术特征摘要】
1.一种基于常态模型学习的乳腺X线图像病变检测方法，其特征在于，包括：
从乳腺X线图像中分割出乳腺区域，得到乳腺图像；
从所述乳腺图像中的乳腺区域内提取若干个正常区域图像块和病变区域图像块，并对图像块进行亮度归一化处理；
将归一化后的一部分正常区域图像块作为训练集，输入到双重深度卷积神经网络模型进行训练，将训练后的双重深度卷积神经网络模型作为常态模型；
从训练集中选择若干图像块作为模板，输入到所述常态模型进行特征提取，并将提取到的特征向量作为模板图像的特征向量；将包含病变区域的图像块和未用于模型训练的正常区域图像块作为测试集，输入到所述常态模型进行特征提取，得到测试图像的特征向量；
将模板图像和测试图像的特征向量输入到最近邻分类器执行一类分类，得到所述测试图像的测试结果。


2.根据权利要求1所述的方法，其特征在于，所述从乳腺X线图像中分割出乳腺区域，包括：
通过灰度直方图的全局阈值化，对目标区域进行预分割，生成最大目标区域的外侧近似边界；
对所述目标区域的外侧近似边界周围进行多尺度边缘检测，得到若干个初步乳腺外侧区域边界点，并拟合成乳腺外侧区域边界；
根据基于区域生长的方法识别胸肌和乳腺组织边界，得到乳腺内侧区域边界；
所述乳腺外侧区域边界和所述乳腺内侧区域边界构成乳腺区域。


3.根据权利要求2所述的方法，其特征在于，所述通过灰度直方图的全局阈值化，对目标区域进行预分割，生成目标区域的外侧近似边界，包括：
对灰度直方图进行高斯平滑处理，并根据高斯平滑处理后的灰度直方图选取全局阈值，对乳腺X线图像进行全局阈值化，得到二值图像；其中灰度直方图的两个峰值分别对应于乳腺X线图像的背景和乳腺组织区域，两个峰值之间的谷值为全局阈值；
通过二维高斯滤波器对所述二值图像进行平滑处理，得到最大目标区域，将所述最大目标区域作为乳腺区域的近似掩模，得到所述最大目标区域的外侧近似边界；
所述对所述目标区域的外侧近似边界周围进行多尺度边缘检测，得到若干个初步乳腺外侧区域边界点，并拟合成乳腺外侧区域边界，包括：
在所述最大目标区域的外侧近似边界上均匀放置若干个点，通过每个点绘制一条正交线；
将每条正交线上的像素点与多尺度高斯核导数进行卷积，每条正交线得到若干个可能的乳腺区域边界点；
将得到的可能的乳腺区域边界点使用活动轮廓模型生成初步乳腺外侧区域边界点；
利用三次多项式拟合，将若干个离散的初步乳腺外侧区域边界点拟合成一个平滑连续的轮廓，作为乳腺外侧区域边界；
所述根据基于区域增长的方法识别胸肌和乳腺组织边界，得到乳腺内侧区域边界，包括：
利用一条斜率为-1的直线，通过多尺度边缘检测方法在该直线上检测边缘点，使用包含边缘强度和边缘位置的量度来选择种子点；所述种子点置于胸肌和乳腺组织的边界附近；
根据平均亮度相似性从所述种子点进行区域生长；所述区域生长从一个亮度差异初始阈值开始，所述亮度差异初始阈值在所述区域生长过程中迭代增加，当生成的区域接近图像边界时，停止区域生长，得到区域生长结果；
利用局部加权回归散点平滑方法对所述区域生长结果进行胸肌边界细化，得到乳腺内侧区域边界。


4.根据权利要求1所述的方法，其特征在于，所述正常区域图像块中仅包含乳腺区域，且通过设置冗余阈值，使每两个正常区域图像块之间的冗余度不超过所述冗余阈值；
每个病变区域图像块中只包含一处病变区域，使病变区域处于其所在图像块的中心位置，且使该图像块包含的背景最小。


5.根据权利要求1所述的方法，其特征在于，所述双重深度卷积神经网络模型包括并联的两个结构相同的CNN，即参考网络和目标网络；所述参考网络由参考数据集进行训练，所述目标网络由目标数据集进行训练；所述参考数据集为ImageNet数据集，所述目标数据集为正常的乳腺X线图像数据；
每个CNN由特征提取子网和分类子网组成，并通过两个子网联合训练；所述...

【专利技术属性】
技术研发人员：陈智丽，张辉，夏兴华，
申请(专利权)人：沈阳建筑大学，
类型：发明
国别省市：辽宁;21