一种针对对抗攻击的乳腺超声图像鲁棒分割方法及其系统

本发明涉及医疗成像，特别涉及乳腺超声成像的图像分割方法。

背景技术：

1、乳腺癌是全球女性中最常见的癌症之一。早期检测和诊断是提高乳腺癌患者生存率的关键。在这一过程中，超声成像作为一种非侵入性且成本较低的医疗成像技术，被广泛用于乳腺癌的筛查和诊断。准确的图像分割是从复杂的乳腺超声图像中提取出肿瘤区域的重要步骤，对后续的诊断和治疗计划制定至关重要。

2、近年来，深度学习技术在医疗图像分割领域中展示出了卓越的性能，特别是在乳腺超声图像的自动分割上。然而，这些基于深度学习的模型存在一个显著的弱点：它们对于对抗性攻击特别敏感。对抗性攻击是指通过对输入数据进行精确且通常不易察觉的修改，使得深度学习模型产生错误的输出。在乳腺超声图像分析中，这意味着可能将非肿瘤区域错误标记为肿瘤，或者将肿瘤区域误识别为正常组织，这将直接影响临床决策的准确性。

3、研究表明，即使是微小的扰动也足以使得分割模型完全失效，这在医学领域尤其危险，因为这关系到患者的治疗和生命安全。因此，提升基于深度学习模型的乳腺超声图像分割技术的鲁棒性，对抗对抗性攻击，已成为该领域迫切需要解决的技术挑战。

4、此外，现有的抗对抗攻击技术主要集中在通用图像处理领域，对医疗图像的特异性和高度敏感性考虑不足。特别是在乳腺超声图像这类特殊的医疗图像中，攻击模式可能与常规图像不同，因此需要研发专门针对此类图像的鲁棒性技术。

技术实现思路

1、本发明旨在解决现有技术中对抗性噪声攻击下乳腺超声图像分割的精确性和鲁棒性差的问题。

2、为实现上述目的，本发明提供了如下方案：

3、本发明提供一种针对对抗攻击的乳腺超声图像鲁棒分割方法，所述方法为：

4、s1：采用卷积神经网络学习乳腺超声图像在特征空间的非线性映射，获取每个图像每个像素点的特征向量；

5、s2：采用原型向量代替原本由二维卷积层组成的投影头函数，根据每个像素点的特征向量并基于投影头函数使像素的类别转换为与其相似度最大的原型向量的类别；

6、s3：采用基于学习矢量量化方法的动量更新方法更新所述原型向量；

7、s4：采用基于广义学习矢量量化方法的损失函数更新所述卷积神经网络参数。

8、进一步，还有一种优选实施例，上述步骤s1具体为：

9、s11：采用unet u型神经网络或基于transformer转换器模型的变体网络模型作为骨架函数，将乳腺超声图像输入到骨架函数中，获得乳腺超声图像的像素级别的特征；

10、s12：采用卷积神经网络模型对每个像素级别的特征进行深度特征提取，输出每个像素点的特征向量。

11、进一步，还有一种优选实施例，上述步骤s2具体为：

12、s21：将每一个类别由多个原型向量代替，使得一个类别形成多个聚类中心，代替原本由二维卷积层组成的投影头函数；

13、s22：将每个像素点的特征向量与原型向量进行相似度计算，使像素的类别转换为与其相似度最大的原型向量的类别。

14、进一步，还有一种优选实施例，上述原型向量为可学习的。

15、进一步，还有一种优选实施例，上述步骤s3具体为：

16、s31：对于一个c类的分割任务，每一个原型的类别为，其中，，为每一个类别分配k个原型向量，其中，，表示其中一个原型向量，具体为第c类中的第个原型向量，每个原型向量的维度为d；

17、第c类的原型向量的集合为，表示第c类的第k个原型向量，所有原型向量的集合为，其中，，表示类别；

18、s32：令表示每个像素的特征向量，与原型向量对应，表示被分配给的像素的特征向量，其中，每一个像素的类别为，；被分配给c类中的第个原型向量，其中，；

19、s33：通过像素的特征值对原型向量进行更新，更新公式为：

20、；

21、其中，表示正确分配给原型向量的向量的平均值，表示错误分配给原型向量的向量的平均值，为超参数，代表控制这个动量更新方式的尺度。

22、进一步，还有一种优选实施例，上述步骤s4具体为：

23、s41：将像素特征向量与原型向量通过函数进行相似度计算；

24、s42：采用损失函数公式对相似度计算的结果进行计算，根据计算结果更新卷积神经网络参数。

25、本发明所述的一种针对对抗攻击的乳腺超声图像鲁棒分割方法可以全部采用计算机软件实现，因此，对应的，本发明还提供一种针对对抗攻击的乳腺超声图像鲁棒分割系统，所述系统包括：

26、用于采用卷积神经网络学习乳腺超声图像在特征空间的非线性映射，获取每个图像每个像素点的特征向量的存储装置；

27、用于采用原型向量代替原本由二维卷积层组成的投影头函数，根据每个像素点的特征向量并基于投影头函数使像素的类别转换为与其相似度最大的原型向量的类别的存储装置；

28、用于采用基于学习矢量量化方法的动量更新方法更新所述原型向量的存储装置；

29、用于采用基于广义学习矢量量化方法的损失函数更新所述卷积神经网络参数的存储装置。

30、本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任意一项所述的一种针对对抗攻击的乳腺超声图像鲁棒分割方法。

31、本发明还提供一种计算机设备，该设备包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行上述任意一项所述的一种针对对抗攻击的乳腺超声图像鲁棒分割方法。

32、本发明的有益效果为：

33、1、本发明提供的一种针对对抗攻击的乳腺超声图像鲁棒分割方法，通过引入原型向量和基于原型向量的投影头模型，使得同一类别的像素特征向量更加聚集，从而显著提高了乳腺超声图像分割的准确性，其中，原型向量作为类别的典型代表，能更精确地捕捉到各类别的特征，帮助模型在复杂的医疗图像中更准确地识别和区分肿瘤与非肿瘤组织。同时，在对抗攻击环境中，即使面对细微的、人眼难以察觉的噪声扰动时，本发明通过对抗性训练和原型向量的动态更新机制，使得模型能够有效应对输入数据的小幅变化，保持稳定的分割结果，从而提高了模型在实际应用中的可靠性和安全性。

34、进一步地，本发明与现有技术相比较，能够更精确地捕捉到各类别的特征，帮助模型在复杂的医疗图像中更准确地识别和区分肿瘤与非肿瘤组织，解决现有技术中对抗性噪声攻击下乳腺超声图像分割的精确性差的问题。

35、进一步地，本发明与现有技术相比较，在更新原型向量参数的同时，结合基于损失函数的深度模型更新方法，在特征空间中约束像素点特征，以原型向量为中心形成簇分类，不仅提高了分割的准确性，还增强了算法在对抗攻击环境中的鲁棒性。

36、进一步地，本发明与现有技术相比较，由于每个类别由多个原型向量表示，使得能够灵活处理多样化的类别内变异，从而使得模型在处理具有内在多样性的医疗图像时更加有效，如不同类型的肿瘤组织，提供了更细致的分析和分割。

37、2、本发明提供一种针对对抗攻击的乳腺超声图像鲁棒分割方法，不仅能有效识别和分割乳腺肿瘤，还能抵抗那些可能干扰诊断准确性的对抗性攻击。这种综合性的技术方法不仅提高了医疗图像处理的准确性和安全性，也推动了医疗成像技术在确保患者福祉方面的应用。

38、进一步地，本发明不限于乳腺超声图像，原理上还可以扩展到其他类型的医疗图像分析，如ct、mri等，甚至可以应用于非医疗领域的图像处理任务。原型向量和投影头模型的通用性使得本发明在广泛的应用场景中都具有潜在的有效性。

39、本发明在乳腺超声图像分割领域具有显著的实用价值，特别适用于对抗噪声的医学图像处理领域。