一种基于深度学习的乳腺肿块分类方法技术

本发明专利技术公开了一种基于深度学习的乳腺肿块分类方法，包括：采集乳腺肿块图像；将乳腺肿块图像分别送入三个不同的resnet卷积神经网络进行特征提取，得到六个不同的有效特征；将六个不同的有效特征构成一个六节点的图结构，输入多任务特征融合网络，得到更新后的节点特征图结构；将更新后的节点特征图结构送入分类结果预测部分进行分类，并得到分类结果。本发明专利技术将采集的乳腺肿块图像通过resnet卷积神经网络提取六个不同的有效特征，再整合成一个六节点的图结构，依次通过多任务特征融合网络、分类结果预测部分，有效准确地对乳腺肿块的良恶性进行分类。恶性进行分类。恶性进行分类。

【技术实现步骤摘要】
一种基于深度学习的乳腺肿块分类方法


[0001]本专利技术涉及乳腺肿块分类的
，具体而言，涉及一种基于深度学习的乳腺肿块分类方法。

技术介绍

[0002]乳腺癌是全世界最主要的癌症之一，也是被诊断为癌症的妇女死亡的第二大原因，仅次于肺癌。约1/12的女性在其一生中受到该疾病的影响，死亡人数的增加主要是由于癌症在早期阶段没有被识别出来，因此早期有效的乳腺癌诊断有助于挽救生命。乳房钼靶X光检查是目前检测早期乳腺癌最可靠、最值得信赖的诊断方法之一。然而，人工分析乳腺X光摄影图像不仅费时费力，而且极其容易受到观察者之间变化的影响，对医生们的经验要求十分苛刻。最近的研究表明，计算机辅助检测和诊断(CAD)系统能够提供更快的以及可重复的分析结果。它们有可能将放射科医生从繁重的工作中解放出来，并作为第一或者第二的诊断工具来提高诊断的准确性。
[0003]一般来说，乳腺癌有多种表现症状，其中最主要的是微钙化和乳腺肿块。虽然目前对微钙化已经有了比较有效的检测及诊断方法，但对于乳腺肿块来说并非如此，乳腺肿块的检测和诊断是仍然是具有挑战性的，因为肿块的不同形状以及边缘的模糊和不清晰等都会对诊断结果造成明显影响。同时在具体的临床诊断当中，不同的肿块分类任务之间存在一定的相关性，例如肿块形状当中的圆形和椭圆形有更大可能对应肿块良恶性中的良性，肿块形状中的分叶形和不规则形则更大可能对应恶性。
[0004]深度学习技术已经在乳腺肿块分类上有了广泛研究，但是目前仍缺乏相关技术来利用乳腺肿块不同分类任务之间的相关性以及乳腺钼靶图像多个视角下图片获得更好的分类效果。

技术实现思路

[0005]本专利技术的目的是提供一种基于深度学习的乳腺肿块分类方法，旨在实现肿块良恶性的有效准确分类。
[0006]本专利技术的实施例通过以下技术方案实现：一种基于深度学习的乳腺肿块分类方法，包括：采集乳腺肿块图像；将乳腺肿块图像分别送入三个不同的resnet卷积神经网络进行特征提取，得到六个不同的有效特征；将六个不同的有效特征构成一个六节点的图结构，输入多任务特征融合网络，得到更新后的节点特征图结构；将更新后的节点特征图结构送入分类结果预测部分进行分类，并得到分类结果。
[0007]在本专利技术的一实施例中，步骤采集乳腺肿块图像的具体方法如下：采集乳腺钼靶的两个视角轴位CC和侧斜位MLO的乳腺图像，同时包含多个不同任
务的分类标签。
[0008]在本专利技术的一实施例中，分类标签为三个，分别为良恶性标签、肿块形状标签和医生评估分数标签。
[0009]在本专利技术的一实施例中，所述医生评估分数标签为BI
‑
RADS评估等级。
[0010]在本专利技术的一实施例中，所述多任务特征融合网络包括两层图卷神经网络。
[0011]在本专利技术的一实施例中，所述分类结果预测部分包括全连接层和softmax层。
[0012]在本专利技术的一实施例中，步骤将更新后的节点特征图结构送入分类结果预测部分进行分类，并得到分类结果的具体方法如下：从更新后的节点特征图结构得到两个代表乳腺肿块良恶性的节点特征；拼接两个节点特征，并依次通过全连接层和softmax层处理，得到乳腺肿块良性和恶性的概率得分，取得分高的类别作为乳腺肿块的分类结果。
[0013]本专利技术实施例的技术方案至少具有如下优点和有益效果：本专利技术将采集的乳腺肿块图像通过resnet卷积神经网络提取六个不同的有效特征，再整合成一个六节点的图结构，依次通过多任务特征融合网络、分类结果预测部分，有效准确地对乳腺肿块的良恶性进行分类。
附图说明
[0014]图1为本专利技术的流程图；图2为本专利技术的resnet卷积神经网络的原理图；图3为多任务特征融合网络和分类结果预测部分的原理图；图4为节点特征更新方式的原理图。
实施方式
[0015]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0016]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
实施例
[0017]请参照图1，一种基于深度学习的乳腺肿块分类方法，包括：S100、采集乳腺肿块图像；S200、将乳腺肿块图像分别送入三个不同的resnet卷积神经网络进行特征提取，得到六个不同的有效特征；S300、将六个不同的有效特征构成一个六节点的图结构，输入多任务特征融合网络，得到更新后的节点特征图结构；
S400、将更新后的节点特征图结构送入分类结果预测部分进行分类，并得到分类结果。
[0018]S100中，在乳腺钼靶数据集上进行模型训练，该乳腺钼靶数据集包含乳腺钼靶两个视角轴位CC和侧斜位MLO的乳腺肿块图像，同时包含不同的任务标签；不同视角以及不同任务标签有利于对乳腺肿块良恶性进行分类。
[0019]本实施例中，任务标签为三个，分别为良恶性标签、肿块形状标签和医生评估分数标签；其中，医生评估分数标签又为BI
‑
RADS评估等级。
[0020]S200中，使用resnet卷积神经网络来对乳腺肿块图像进行特征提取；resnet卷积神经网络如图2所示，其中最主要的结构是残差结构，包含有Conv Block以及Identity Block两类；Conv Blcok分为两个部分，主干部分对输入特征进行多次卷积，在支干部分同样对输入特征进行一次卷积后与主干部分进行拼接，由于支干部分进行了卷积操作，因此Conv Block主要用于改变特征的维度。Identity Block与Conv Block类似，但是在支干部分没有卷积结构，因此其输入与输出特征维度相等，主要作用是来加深网络的深度，使得网络的特征提取能力更强。
[0021]对于一个乳腺肿块而言，包含有轴位CC以及MLO两个不同视角，对于每张乳腺肿块图像又包含有良恶性、肿块形状、医生评估分数三个不同的分类标签。因此，对于输入的成对乳腺肿块图像，分别送入三个不同的resnet卷积神经网络进行特征提取共得到六个不同的有效特征。
[0022]S300和S400中，多任务特征融合网络和分类结果预测部分共同构成分类网络，如图3所示。
[0023]S300中，多任务特征融合网络包含有两层图卷积神经网络，使用图卷积神经网络来对乳腺肿块不同任务以及不同视角的特征进行融合，得到更新后的节点特征图结构。
[0024]使用图神经网络作为特征融合模块是基于其节点特征更新的方式决定的。在图神经网络当中，节点更新的主要方式是通过消息传递的方式进行的，节点之间通过消息交换的方式共同更新节点的特征表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的乳腺肿块分类方法，其特征在于，包括：采集乳腺肿块图像；将乳腺肿块图像分别送入三个不同的resnet卷积神经网络进行特征提取，得到六个不同的有效特征；将六个不同的有效特征构成一个六节点的图结构，输入多任务特征融合网络，得到更新后的节点特征图结构；将更新后的节点特征图结构送入分类结果预测部分进行分类，并得到分类结果。2.根据权利要求1所述的一种基于深度学习的乳腺肿块分类方法，其特征在于，步骤采集乳腺肿块图像的具体方法如下：采集乳腺钼靶的两个视角轴位CC和侧斜位MLO的乳腺图像，同时包含多个不同任务的分类标签。3.根据权利要求2所述的一种基于深度学习的乳腺肿块分类方法，其特征在于，分类标签为三个，分别为良恶性标签、肿块形状标签和医生评估分数标签。4.根据权利要求3所述的一种基于深度学习的...

【专利技术属性】
技术研发人员：刘帅成，卢良通，杨玉麟，李子琦，杨裕强，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：