基于深度卷积神经网络的乳腺超声图像分析方法和系统

专利主权项内容

1.一种基于深度卷积神经网络的乳腺超声图像分析方法，其特征在于，包括以下步骤：S1：获取乳腺超声图像数据集并进行预处理；S2：建立乳腺超声图像分析神经网络模型；所述乳腺超声图像分析神经网络模型包括并列设置的结节图像分割网络和结节类型初步分类网络，以及结节类型二次分类网络；所述结节图像分割网络和结节类型初步分类网络的输出均与结节类型二次分类网络的输入连接；所述结节图像分割网络用于分割结节图像并提取结节图像的特征图；所述结节类型初步分类网络用于对结节类型进行初步预测；所述结节类型二次分类网络用于将结节图像的特征图与结节类型的初步预测结果进行融合，并进行二次预测，将结节图像的分割结果和结节类型的二次预测结果共同作为乳腺超声图像的分析结果；所述结节图像分割网络具体结构为：所述结节图像分割网络包括：第一编码器、第一解码器、第一卷积注意力模块、第二卷积注意力模块和第一卷积平滑模块；所述第一编码器、第一卷积注意力模块、第一解码器和第一卷积平滑模块依次连接；所述第一编码器的输出还与第二卷积注意力模块的输入连接，第二卷积注意力模块的输出与第一编码器的输出构成残差加和连接，残差加和结果还与第一解码器的输入连接；所述第一编码器包括：依次连接的下采样模块和最大池化层；所述下采样模块包括：若干个依次连接的卷积块，每个卷积块均包括：依次连接的卷积层、批归一化层和ReLU激活层；所述第一解码器包括：依次连接的若干个上采样层；所述第一卷积平滑模块包括：依次连接的平滑卷积层1、平滑卷积层2、平滑卷积层3和平滑卷积层4；所述平滑卷积层1和平滑卷积层3的输入通道为a、输出通道为b，a和b分别为第一和第二正整数，满足a<b；所述平滑卷积层2和平滑卷积层4的输入通道为b，输出通道为a；所述平滑卷积层1和平滑卷积层2的卷积核大小相同，平滑卷积层3和平滑卷积层4的卷积核大小相同；所述结节类型初步分类网络具体结构为：所述结节类型初步分类网络包括：第二编码器、第二解码器、第三卷积注意力模块、第四卷积注意力模块、第二卷积平滑模块、第一多层感知机、第二多层感知机和分类器；所述第二编码器、第三卷积注意力模块、第二解码器、第二卷积平滑模块、第一多层感知机和分类器依次连接；所述第二编码器的输出还与第四卷积注意力模块的输入连接，第四卷积注意力模块的输出与第二编码器的输出构成残差加和连接，残差加和结果还与第二解码器的输入连接；所述第三卷积注意力模块的输出还与第二多层感知机的输入连接，第二多层感知机的输出与分类器的输入连接；所述第二编码器包括：依次连接的下采样模块和最大池化层；所述下采样模块包括：若干个依次连接的卷积块，每个卷积块均包括：依次连接的卷积层、批归一化层和ReLU激活层；所述第二解码器包括：依次连接的若干个上采样层；所述第二卷积平滑模块包括：依次连接的平滑卷积层1、平滑卷积层2、平滑卷积层3和平滑卷积层4；所述平滑卷积层1和平滑卷积层3的输入通道为a、输出通道为b，a和b分别为第一和第二正整数，满足a<b；所述平滑卷积层2和平滑卷积层4的输入通道为b，输出通道为a；所述平滑卷积层1和平滑卷积层2的卷积核大小相同，平滑卷积层3和平滑卷积层4的卷积核大小相同；S3：将预处理后的乳腺超声图像数据集输入乳腺超声图像分析神经网络模型中进行迭代训练，获取训练好的乳腺超声图像分析神经网络模型；S4：获取待分析的乳腺超声图像，将待分析的乳腺超声图像输入训练好的乳腺超声图像分析神经网络模型中，获取结节图像的分割结果和结节类型的二次预测结果，完成乳腺超声图像的分析。