一种提升乳腺超声影像肿块检测精度的方法与流程

本发明属于人工智能领域，特别涉及一种乳腺超声影像肿块检测方法；

背景技术：

1、从21世界初期开始，在全世界的女性群体中，乳腺癌是女性常见的恶性肿瘤之一，发病率位居女性恶性肿瘤的首位，严重危害女性的身体健康。在我国，每年新增的乳腺癌患者大约42万人[1]，且近年来发病率每年递增3％到4％。根据最近中国癌症统计报告《2016年中国癌症发病率和死亡率》来看，乳腺癌已经是中国女性的第一大癌症类型，每年超过30万确诊病例。在未来数十年内，国内乳腺癌的病发率和病死率趋势仍然不容乐观。近年来，随着社会经济水平以及医疗技术水平不断提高，我国乳腺癌发病趋势愈发呈低龄化。这无疑会对年轻女性群体身体和心理造成严重的负担。通常情况下，乳腺癌在早期的治愈概率会远远高于晚期的治愈概率，因此推进乳腺癌的早期诊断和治疗方面的研究显得极为重要。

2、传统的乳腺影像肿块识别方法主要存在两个个局限性：(1)乳腺影像肿块检测困难：由于传统的肿块检测识别需要医生借助乳腺影像进行异常识别，而不同的规格的机器会产生不同的质量的影像，质量较低的影像往往会造成图像内轮廓不清晰等问题，给肿块识别增加难度。(2)依赖于经验：传统乳腺影像肿块检测往往要求医生具有丰富的影像识别经验，依赖于医生的主观意识和经验来进行诊断，而并非是基于大量的数据和统计模型，这将导致诊断结果的可靠性和一致性是有限的。(3)诊断效率低：传统的肿块检测识别需要医生具备充足时间和精力去进行识别，这大大增高了诊断成本，降低了肿块识别的效率。

3、基于深度学习的乳腺影像肿块识别技术则能够解决传统肿块检测识别的局限性，提高对乳腺影像肿块识别的准确性和高效性。上述技术使用深度神经网络模型，首先通过对乳腺超声影像数据进行预处理，以解决图像质量问题，然后通过改进网络结构来增强识别的准确率和鲁棒性，最后训练学习和验证调参，生成权重参数。该技术的核心是yolov7-erv，它借助自身模型结构中的窗口注意力机制模块提取乳腺病灶特征，对乳腺影像肿块进行有效检测和识别。它利用有效金字塔压缩注意力机制，增强对小目标肿块的识别能力。其次为了提高神经网络对肿块特征信息捕捉效果，引入了repvgg网络的设计思想，设计出了rmp模块，通过多路信息的融合，增强了对肿块的识别效果。最后为了解决目标训练中前景类和背景类之间极度不平衡的问题，将原有的损失函数替换为vfloss损失函数。实验表明，该模型对乳腺超声影像中良性肿块和恶性肿块检测效果有了明显的提升。

技术实现思路

1、本发明提出了一种乳腺影像肿块识别的智能检测技术，目的在于解决上述背景技术中传统方法所存在的局限性，能够实现对乳腺影像肿块的准确识别，所用的基准网络为yolov7,具体检测方法如下：

2、s1：选取公开的乳腺超声数据集busi作为实验所需的数据来源。为确保乳腺超声数据的安全性和隐私保护，本发明对数据集文件进行了访问权限限制的方法来避免实验数据被未经授权人员使用。此外，为满足对乳腺影像肿块的识别，本发明使用open cv来对图像进行统一处理。同时为为了能够提高数据集的总体质量，实验使用了数据增强技术来增加数据的多样性。该技术主要是通过使用线性插值的方法将数据集中已有的乳腺影像进行放大操作操作，此外，根据乳腺超声影像特点不难发现，其恶性肿块与周围组织对比度差异较小，在邻接处存在部分像素对应类别不清晰等问题，因此本发明使用了直方图均衡化的方法来增强图像细节对比度。

3、s2：本发明的基准模型是yolov7,对相关参数进行设置，包括图像大小，训练次数等，此外为解决训练数据中前景类与背景类不均衡的问题，本发明采用了varifocal loss来替代原本的损失函数，具体是解决乳腺超声影像中肿块所占据区域与无效背景所占据的区域差距大的问题。其计算公式如下所示

4、

5、s3：图2为本发明所使用的有效金字塔压缩注意力机制的网络结构，包含主要分为四个步骤来增强对特征图的信息提取能力。首先，通过spc(split and concat)模块对通道进行划分，进而在每个通道特征图上进行多尺度的空间信息提取；其次，运用seweight(scale-explicit weighting)模块从不同尺度的特征图中提取通道注意力，从而生成各个尺度上的通道注意力向量；接着应用softmax函数对这些多尺度通道注意力向量进行重新校准，以此得到经过多尺度通道交互后的新注意力权重；最后，将这些重新校准的权重与相应的特征图进行逐元素的点乘操作，从而输出一个融合了多尺度特征信息的、经过注意力加权的特征图。这种方法使得最终的特征图具有更丰富的多尺度信息表现能力。

6、spc模块是epsa中最核心的模块，首先将输入的特征图x切分为s个部分，用[x0，x1,…,xs-1]来进行表示，每个部分的通道数为c'＝c/s，而每个分割后的特征图大小为xi∈r(c'×h×w)，i＝0,1,…,s-1。针对分离出的通道特征图，使用多尺度卷积核进行分组卷积，在提取不同尺度特征图的空间信息的同时，也降低了参数量。最后得到多尺度融合之后的特征图，其具体的计算公式如下：

7、fi＝conv(ki×ki，gi)(xi)，i＝0,1,…,s-1 (2)

8、在得到由spc模块提取的特征图后，需要对不同尺度的特征图进行道注意力权重提取，为了建立长期的通道注意力依赖，并且实现多尺度通道注意力之间的信息交互。进一步利用softmax来对通道注意力信息进行权值重校准。其校准公式如下所示。公式中atti代表注意力信息，zi代表所在通道的注意力权重。

9、

10、s4：为了能够更够的去应不同数据集中的影像数据，使模型可以更好地捕获肿块的语义信息和纹理特征，从而提升模型分类精度。本发明在结合repvgg的设计原理，将yolov7中的原有下采样结构进行改进。改进后的结构图如图3所示。

11、将大小为(h,w,c)特征图作为输入，在左侧分支首先经过一个maxpooling操作来降低维度，然后经过1×1的卷积层来调整通道数，再经过bn层来提高模型的稳定性，最后与右侧分支进行融合。在右侧分支中，对比于原网络结构，增加了俩个分支，以实现多路信息的融合，增强模型对不同大小肿块的检查能力。实现详情如下：首先经过1×1的卷积层来调整通道数，然后再分别经过3×3大小的卷积，1×1大小的卷积和bn层，然后将三个分支进行拼接，最后与右侧分支进行融合，得到最终的特征图。

12、s5：将上述数据集进行训练，训练集：验证集：测试集的比例按照8：1：1的比例进行划分，使用训练集数据对模型进行训练，并用验证机反馈的训练效果对模型进行参数调优，最终使用测试集来测试最优模型的分类精度。

13、s6：使用s5中得到的最优模型对乳腺影像肿块进行检测识别，并输出诊断结果。

技术特征：

1.一种提升乳腺超声影像肿块检测精度的方法，该方法包括以下步骤：

技术总结本发明涉及人工智能领域，公开一种利用乳腺超声影像来进行肿块所在位置检测的方法，内容如下：a.统一乳腺超声影像大小，使用随机图像翻转和直方图均衡化技术来增强图像质量，构建深度学习数据集；b.初始化模型参数，定义VariFocal Loss损失函数；c.在原有的YOLOv7模型中添加高效金字塔注意力分割模块，提升模型精度；d.结合RepVGG的设计原理，将原有的下采样模块进行改进，设计出新的下采样模块，提升模型的鲁棒性；e.按照比例划分数据集得出训练集、验证集、测试集。根据结果调整模型参数，获取最优模型权重；f.利用S5中最优模型可视化肿块检测结果，完成对乳腺超声影像肿块的精准检测。技术研发人员：刘文,胡坤受保护的技术使用者：新疆畅森数据科技有限公司技术研发日：技术公布日：2024/7/29