基于三维卷积神经网络的乳腺肿瘤超声图像分类方法与流程

本发明属于计算机图像处理技术领域，涉及一种基于三维卷积神经网络的乳腺肿瘤超声图像分类方法，具体为使用三维卷积神经网络的方法实现在乳腺超声图像中对乳腺肿瘤的良恶性进行分类。

背景技术：

乳腺癌的早期发现和治疗可以降低其死亡率，在这个过程中乳房x线摄影、超声、磁共振等影像在乳腺癌诊断方面都起着非常重要作用。不同影像的技术特性、图像质量以及医生主观判断等因素都会影响到乳腺癌诊断的准确性，因此通过计算机辅助从而提高医生对病变的检出能力与准确率就显得尤为重要。

同时近年来计算机的运算能力不断提升以及大数据技术的广泛应用，深度学习的研究取得了重大的发展，并且广泛应用于自然语言处理、语音识别、医学图像处理等众多领域。因此利用深度学习实现对乳腺肿瘤的检测、诊断及后期治疗都有重要意义。医学影像有着数据量小、病变区域不明显和噪声大的缺陷，而现有的卷积神经网络模型都是基于大规模二维图像数据所提出的，无法适应医学影像数据。

技术实现要素：

本发明克服现有技术存在的不足，提供一种基于三维卷积神经网络的乳腺肿瘤超声图像分类方法。根据医学超声影像的特点，着重解决了小规模数据和三维数据下模型的构建问题。

本发明是通过如下技术方案实现的。

基于三维卷积神经网络的乳腺肿瘤超声图像分类方法，具体包括以下步骤：

1)数据预处理：提取感兴趣区域的训练数据，将训练数据划分为良性肿瘤训练数据和恶性肿瘤训练数据；并对良性肿瘤训练数据进行数据增强。

2)训练三维卷积神经网络：包括激活函数和建立网络结构，所述的激活函数是在三维卷积神经网络的输出层使用sigmoid激活函数训练，sigmoid激活函数为式(1)：

所有卷积之后使用修正线性激活函数训练，修正线性激活函数为式(2)

f(x)＝max(0，x)(2)；

训练后的三维卷积神经网络深度为13层，在全连接层中，采用dropout正则化，以50％的概率随机地将全连接层中的神经元置零。

3)对乳腺肿瘤超声图像分类：使用训练集训练所提出的三维卷积神经网络，良性肿瘤标记为0，恶性肿瘤标记为1；用测试集来对训练好的模型进行测试，最终通过softmax函数输出良恶性肿瘤的概率。

优选的，使用有效的三维滑动窗口方法来提取所述感兴趣区域的训练数据。

优选的，感兴趣区域的大小设置为128像素×128像素×128像素。

优选的，通过平移、反转和缩放进行数据增强的处理。

优选的，所述的三维卷积神经网络采用降维的inception模型结构。

更优的，所述降维的inception模型结构是在3×3卷积，5×5卷积核3×3最大池化后分别加上了1×1卷积来进行降维。

本发明相对于现有技术所产生的有益效果为。

本发明提出了基于三维卷积神经网络对乳腺超声肿瘤良恶性分类的方法。以固定的大小手动提取感兴趣区域，然后利用三维卷积神经网络对每个感兴趣的区域进行肿瘤概率估计；乳腺癌图像的多样性即复杂性，对医生的诊断造成了一定的困难，基于深度学习对乳腺肿瘤超声图像的自动分类能够有效降低肿瘤的误诊率，同时能够为医生的诊断提供可靠的参考依据。

附图说明

图1为实施例中所述原始inception模型。

图2为实施例中所述的有降维的inception模型。

图3为本发明中所述的sigmoid激活函数。

图4为本发明中所述的relu激活函数。

图5为本发明所述三维卷积神经网络结构图。

图6为本发明所述的乳腺肿瘤良恶性分类流程图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，结合实施例和附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。下面结合实施例和附图详细说明本发明的技术方案，但保护范围不被此限制。

基于三维卷积神经网络的乳腺肿瘤超声图像分类方法，流程如图6所示，主要包括两个部分，第一部分是数据预处理，第二部分是基于所提出的三维卷积神经网络对肿瘤概率进行估计。首先，使用有效的三维滑动窗口方法来提取感兴趣区域。然后利用三维卷积神经网络对每个感兴趣区域的肿瘤概率进行估计。

1、数据预处理

(1)感兴趣区域的提取

大多数的乳腺肿瘤超声图像的尺寸都集中在10-20mm，即占到40-80个像素，因此本专利将感兴趣区域的大小设置为：128像素×128像素×128像素。因此这样的设置可以有效地防止肿瘤部分被误切割，同时能够有效地缩减就算时间。

(2)数据划分与数据增强

在训练所提出的三维卷积神经网络时，我们将训练数据分为良性肿瘤和恶性肿瘤肿瘤类。由于良性肿瘤的训练数据远小于恶性肿瘤的训练数据，因此对良性肿瘤类的训练数据进行数据增强。从而提高网络的鲁棒性和分类性能。在这里需要通过平移，反转和缩放三种数据增强的方法来进行处理。

2、三维卷积神经网络

(1)inception结构

inception模型的核心思想是在同一层上通过多个卷积核提取图像的不同特征，然后进行融合，从而实现对图像更好的识别效果。inception的基本结构由四部分组成，如图1所示。即1×1卷积，3×3卷积，5×5卷积和3×3的最大池化。原始的inception模型，所有的卷积和都在前一层的所有输出上来进行，导致计算复杂度显著增加。为避免这个情况的发生，又提出了有降维的inception模型，如图2所示。在3×3卷积，5×5卷积核3×3最大池化后分别加上了1×1卷积来进行降维。

(2)激活函数

在人工神经网络中，给定一个或一组输入，神经元的激活函数定义了神经元的输出。本专利所提出的三维卷积神经网络在其输出层使用sigmoid激活函数，形式如图3所示。

其他所有卷积之后使用修正线性激活函数，包括inception模型内部的卷积，形式如图4所示。

f(x)＝max(0，x)(2)

(3)网络结构

本专利设计了一个深度为13层的三维卷积神经网络。所提出的三维卷积神经网络架构如表1所示。输入图像的像素大小为大小为128×128×128。“#3×3reduce”和“#5×5reduce”两列表示在3×3卷积和5×5卷积之前，降维层使用的1×1滤波器的数量。“poolproj”这一列所表示的内置的最大池化之后，投影层中1×1滤波器的数量。在全连接层中，采用dropout正则化，以50％的概率随机地将全连接层中的神经元置零。所提出的完成的三维卷积神经网络结构如表1和图5所示。

表1三维卷积神经网络的网络结构

注：conv表示卷积层，max_pool表示最大池化层，fc表示全连接层，patchsize/stride表示卷积核大小/步长，outputsize表示输出的大小。

3、乳腺肿瘤良恶性分类

①将乳腺良恶性肿瘤数据集按9：1的比例分为训练集和测试集；

②图像预处理，包括人工提取感兴趣区域并对良性肿瘤进行数据增强；

③使用训练集训练所提出的三维卷积神经网络，良性肿瘤标记为0，恶性肿瘤标记为1；

④用测试集来对训练好的模型进行测试，最终通过softmax函数输出良恶性肿瘤的概率。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。