基于全卷积网络的乳腺超声图像肿瘤分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108776969A(43)申请公布日2018.11.09(21)申请号201810505528.2(22)申请日2018.05.24(71)申请人复旦大学地址200433上海市杨浦区邯郸路220号(72)发明人郭翌胡雨舟汪源源余锦华周世崇常才(74)专利代理机构上海正旦专利代理有限公司31200代理人陆飞陆尤(51)Int.Cl.G06T7/11(2017.01)G06T7/136(2017.01)G06T7/149(2017.01)权利要求书3页说明书8页附图3页(54)发明名称基于全卷积网络的乳腺超声图像肿瘤分割方法(57)摘要本发明属于图像处理技术领域，具体为基于全卷积神经网络的乳腺超声图像肿瘤分割方法。本发明方法包括：构建基于空洞卷积的全卷积神经网络，用于粗略分割超声图像上获得乳腺肿瘤；构建的DFCN网络中，使用空洞卷积，从而使网络保持较深层的特征图的分辨率，以确保在有大量阴影区域的情况下也能很好地分割肿瘤；此外，DFCN网络中还使用批量归一化技术，使得网络具有更高的学习率，加速了训练过程；利用基于相位信息的动态轮廓PBAC模型，对于粗略分割结果进行优化，得到最终精细的分割结果；实验结果表明，本发明可以准确地分割肿瘤，尤其对边界模糊、阴影多的超声图像有很好的分割结果。CN108776969ACN108776969A权利要求书1/3页1.一种基于全卷积神经网络的乳腺超声图像肿瘤分割方法，其特征在于，具体步骤为：(一)构建基于空洞卷积的全卷积神经网络，用于粗略分割超声图像上获得乳腺肿瘤；首先，构建基于空洞卷积的全卷积神经网络，该全卷积神经网络简记为DFCN；然后在超声图像对乳腺肿瘤进行相对粗略分割，使分割结果能较好地显示出肿瘤位置和边界的要求；构建的DFCN网络中，使用空洞卷积，从而使网络保持较深层的特征图的分辨率，以确保在有大量阴影区域的情况下也能很好地分割肿瘤；此外，DFCN网络中还使用批量归一化技术，使得网络具有更高的学习率，加速了训练过程；(二)利用基于相位信息的动态轮廓PBAC模型，对于上一步得到的分割结果进行优化，得到最终精细的分割结果；其中，使用由DFCN标定的肿瘤边缘作为动态轮廓PBAC模型的初始边界，经过多次迭代，进一步优化DFCN的结果。2.根据权利要求1所述的乳腺超声图像肿瘤分割方法，其特征在于，步骤(一)中，基于空洞卷积的全卷积神经网络，是一种改进的全卷积神经网络，其结构包括依次连接的6个层，其中，层1包含：Block(块)1、Block(块)2、一个最大池化层(Maxpooling)；层2包含：Block(块)3、Block(块)4、一个最大池化层(Maxpooling)；层3包含：Block(块)5、Block(块)6、Block(块)7、Block(块)8、一个最大池化层(Maxpooling)；层4包含：Block(块)9、Block(块)10、Block(块)11、Block(块)12、Block(块)13；层5包含：Block(块)14、Block(块)15、Block(块)16、Block(块)17、Block(块)18；层6包含：Block(块)19；其中，每个Block(块)结构由卷积层(Conv)、批量归一化(BN)层和修正线性单元层(ReLU)组成；在Block(块)13和Block(块)18中，在卷积层中对卷积核的每个参数的四周使用零填充，形成空洞卷积，以保持输出特征图的大小不变；Conv(卷积层)1、Conv(卷积层)2和Conv(卷积层)3是跳跃连接，分别利用层6、层4和层3的特征进行特征融合，使得网络较好地融合不同深度的特征从而得到更加精细的分割结果；对于乳腺超声图像使用DFCN网络，经过层1-层6处理，可以从乳腺超声图像中有效提取不同深度的适合肿瘤分割的特征。3.根据权利要求2所述的乳腺超声图像肿瘤分割方法，其特征在于，步骤(一)中，每个块(Block)中用“M×M×H”表示卷积层的参数，M是卷积核大小，H是特征图的通道数；DFCN中的每个最大池化层具有2×2的核大小和2的步长；设输入图像大小为P×Q，块1、2和3中分别使用一次最大池化层；包含2层卷积层的层1输出特征图的分辨率为特征通道数为64；包含2层卷积层的层2输出特征图的分辨率为特征通道数为128；包含4层卷积层的层3输出特征图的分辨率为特征通道数为256；在层4和层5中，使用空洞卷积代替最大池化层的作用，使得网络在扩大感受野的同时，保持原有分辨率大小，层4和层5均包含4层卷积层和1层空洞卷积层，它们输出特征图的分辨率均为特征通道数均为512。4.根据权利要求2所述的乳腺超声图像肿瘤分割方法，其特征在于，步骤(一)中，将Conv(卷