一种基于全局信息的乳腺超声肿瘤病变区域检测方法

本发明涉及医学图像领域，特别涉及一种基于全局信息的乳腺超声肿瘤病变区域检测方法。

背景技术：

1、乳腺超声筛查是提高乳腺癌患者存活率的有效手段之一。然而，由于乳腺超声图像存在散斑噪声、对比度低等问题，同时诊断过程中耗时且易受主观性的影响，易导致漏诊和误诊问题。基于计算机技术的乳腺超声肿瘤辅助诊断系统具有客观性强、可重复、工作效率高等优点，在乳腺癌临床诊疗中具有重要的意义和应用价值。

2、近年来，基于深度学习的乳腺cad研究有了较大进展。但由于乳腺超声图像背景灰度值与病变区特征区分度小，容易忽略形状小的肿瘤，且难以分辨灰度相似组织的差异和成像时腺体重叠的现象，导致对乳腺超声肿瘤图像检测的不准确。

技术实现思路

1、本发明提出一种基于全局信息的乳腺超声肿瘤病变区域检测方法，实现对乳腺超声肿瘤图像中存在误检漏检问题的优化，提高模型对重叠目标的注意力，从全局信息获取乳腺超声肿瘤病变区域，提高检测的识别率和准确性。

2、本发明通过以下技术方案实现：

3、一种基于全局信息的乳腺超声肿瘤病变区域检测方法，包括如下步骤：

4、步骤s1、获取乳腺超声肿瘤图像集，对图像集预处理得到初始数据集，标注出初始数据集中乳腺超声肿瘤良恶性类别以及位置，生成标注图像数据集；

5、步骤s2、构建作为目标检测模型的卷积神经网络，将标注图像数据集作为目标检测模型的训练样本；

6、卷积神经网络的backbone部分采用由上至下依次布置的特征提取模块和坐标注意力模块，特征提取模块包括由上至下依次布置的cbs模块和交替模块，cbs模块包括至少一层cbs结构，交替模块包括交替布置的c3hb结构和cbs结构，cbs模块输出低维特征图，交替模块输出高维特征图，坐标注意力模块对该高维特征图的水平和垂直两个方向的信息进行全局编码，得到全局信息特征图；

7、卷积神经网络的neck部分采用相互融合的fpn网络和panet网络，panet网络自下而上对全局信息特征图进行上采样，通过fpn网络自下而上将panet网络的输出与交替模块输出的高维特征图融合得到多个维度特征图；

8、卷积神经网路的head部分采用tscode模块，cbs模块输出的低维特征图和多个维度特征图作为tscode模块的多层输入特征图，tscode模块包括多层tscode结构，tscode结构包括分类分支和定位分支，分类分支的输入为相邻两层输入特征图，定位分支的输入为相邻三层输入特征图，以实现多尺度特征融合多个维度特征图，并输出基于全局信息预测的图像。

9、进一步的，所述步骤s1中，所述预处理包括去除乳腺超声肿瘤图像的标注并增强图像对比度。

10、进一步的，所述步骤s2中，所述特征提取模块包括三个由上至下依次布置的交替模块，位于上层的交替模块包括由上至下依次布置的c3hb结构、cbs结构和c3hb结构，位于中层和下层的两个交替模块均包括由上至下依次布置的cbs结构和c3hb结构，位于下层的交替模块的c3hb结构的输出作为坐标注意力模块输入，所述cbs模块包括由上至下依次布置的两层cbs结构，下层cbs结构的输出作为上层交替模块的上层c3hb结构的输入。

11、进一步的，所述步骤s2中，所述backbone部分还包括快速空间金字塔池化结构，其输入为坐标注意力模块的输出。

12、进一步的，所述步骤s2中，所述坐标注意力模块对交替模块输出的高维特征图的水平和垂直两个方向的信息进行全局编码的过程包括：

13、步骤s211、对输入的特征图使用自适应池化操作分别沿水平坐标方向和垂直坐标方向对每个通道进行池化，两个方向的变换产生水平方向感知特征图和垂直方向感知特征图；

14、步骤s212、对水平方向感知特征图和垂直方向感知特征图拼接并进行卷积后经过bn层和非线性激活函数；

15、步骤s213、对经步骤s2122后的特征图进行分割得到水平特征图和垂直特征图，并分别进行卷积后再分别进入sigmoid函数，生成在水平和垂直方向的注意力权重值；

16、步骤s214、将输入的特征图与经过注意力权重加权的特征图相乘，得到坐标注意力模块输出的全局信息特征图。

17、进一步的，所述c3hb结构对其输入的特征图进行两路处理，一路经过cbs结构和horblock结构进行处理，另一路通过cbs结构，将两路输出拼接作为下一层的输入。

18、进一步的，所述步骤s2中neck部分实现步骤包括：

19、步骤s221、所述全局信息特征图作为fpn网络的输入，该输入依次经过cbs结构和上采样后与中层交替模块的输出匹配后进行维度拼接，拼接结果再依次通过c3hb结构和cbs结构后完成特征融合；

20、步骤s222、将步骤s221输出的特征图继续进行上采样后与上层交替模块的输出匹配后进行维度拼接，拼接结果再通过c3hb结构完成特征融合，融合结果作为tscode模块的第二层输入特征图；

21、步骤s223、将步骤s222输出的特征图经过cbs结构后与步骤s221的输出匹配后进行维度拼接，拼接结果再通过c3hb结构完成特征融合，融合结果作为tscode模块的第三层输入特征图；

22、步骤s224、将步骤s223输出的特征图经过cbs结构后与步骤s221中全局信息特征图经过cbs结构的输出匹配后进行维度拼接，拼接结果再通过c3hb结构完成特征融合，融合结果作为tscode模块的第四层输入特征图；

23、步骤s225、将步骤s224的输出依次经过cbs结构和c3hb结构后作为tscode模块的第五层输入特征图。

24、进一步的，所述步骤s2中，所述backbone的cbs结构输出的低维特征图作为tscode模块的第一层输入特征图。

25、进一步的，所述tscode模块包括五层tscode结构，各tscode结构的分类分支采用sce结构，其输入为第l层输入特征图与第l+1层输入特征图，各tscode结构的定位分支采用dpe结构，其输入为第l层输入特征图、第l-1层输入特征图和第l+1层输入特征图，其中，l的取值范围为[1,5]。

26、进一步的，所述horblock结构由层归一化分别与gnconv结构、多层感知机构建分层残差连接实现细颗粒特征融合。

27、本发明具有如下有益效果：

28、1、本发明的backbone部分包括交替布置的c3hb结构和cbs结构，进一步增强特征融合能力，并在更细粒度的层面实现信息集成，从而提高对乳腺肿瘤病变区域特征的提取，并且网络可以有效地减少在信息集成过程中梯度信息重复的可能性；在backbone主干网络中嵌入坐标注意力模块，强化位置信息的传播，引导网络聚焦于病灶区域，增强对乳腺肿瘤病变区域特有的位置信息的关注，加强乳腺病变区域远程位置依赖，提高对乳腺肿瘤位置特征的感知能力；head部分采用tscode结构，以便选择更适合解决特定任务的语义上下文，对于分类分支，利用相邻两层输入特征图，以实现高效准确的分类，对于定位分支，通常需要更多的物体周围边界信息，利用相邻三层输入特征图进行融合，以便高级特征和低级特征之间进行充分的信息交换，提高乳腺超声肿瘤图像的检测能力。