CN110910404B - 一种抗噪声数据的乳腺超声结节分割方法 - Google Patents

Abstract

本发明公开了一种抗噪声数据的乳腺超声结节分割方法，本发明使用Unet网络训练分割模型，根据损失函数对分割模型进行训练，优化模型参数，使用focalloss函数和diceloss函数联合作为训练模型的损失函数。对训练好的分割模型，通过输入乳腺二维超声图像，模型自动输出结节掩模图像，再运用阈值对掩模图像进行更新，再根据掩模图像标记原乳腺超声图像结节区域，得到分割结果。本发明突破了基础网络对数据集高可靠性的限制，本发明对训练数据集包含一定量的噪声数据具有很高的容忍性，降低了数据集扩充的难度，同时保证了高数据样本量对神经网络准确率的增益特性。

Description

一种抗噪声数据的乳腺超声结节分割方法

技术领域

本发明涉及医学影像技术领域，具体涉及一种抗噪声数据的乳腺超声结节分割方法。

背景技术

乳腺癌是女性群体中发病率最高的一类肿瘤。乳腺癌的早诊早筛有利于提升患者的5年生存率，具有重大的临床意义，为了给医生提供有效地辅助诊断信息，智能图像处理技术为基础的计算机辅助诊断正在逐渐的应用中。超声影像利用声波从不同组织间的界面反射回探头的回声，能够实时生成图像，具有无电离辐射影响、价格便宜等优势，成为最常用的医学成像手段之一，已被公认为是临床医生和放射科医生普遍而有效的筛查诊断工具。

现有的图像分割网络，如全卷积网络FCN，利用合并操作共享信息的UNet，利用稠密连接的DenseNet广泛应用于肺部CT，脑CT等医学图像的分割任务中。但是在乳腺超声上进行结节分割的方法受限于带标注图像数量少，发展缓慢。乳腺超声图像通常包含较多标记和背景信息，而医生关注的结节区域即发生病变的位置通常只占整张超声图像的小部分，其周围均是正常组织。因此在进行病情诊断前，如果先对结节进行分割，可以帮助医生更快的诊断病情。

乳腺超声数据集人工标注过程中，人眼可能注意不到一些样本的微弱结节边界，或者将正常的组织纹理误认为结节边缘，导致标注的区域和真实的结节范围相比存在较大误差，这就成为了数据集里的噪声样本。要想保证数据的高可靠性只能由经验丰富的医生进行手动标注并多重检查，这个过程需要耗费医生很多时间，导致数据集的扩充很艰难。

然而现有基于深度学习的乳腺超声结节分割方法基本是在干净的数据集上进行训练，没有对包含噪声样本的数据集作特定处理，在训练网络上下功夫也只能有限的提升准确度。

因此一种能在包含噪声的数据集上训练，又能避免噪声数据过度干扰模型训练的分割方法十分必要。

发明内容

本发明的目的在于克服上述背景技术存在的不足，提供一种抗噪声数据的乳腺超声结节分割方法，能够在包含噪声的数据集上训练，又能避免噪声数据过度干扰模型训练。

为达到上述目的，本发明是这样实现的：

一种抗噪声数据的乳腺超声结节分割方法，包括以下步骤：

S1、将原始病人超声图像数据进行脱敏处理，构建数据集，使用Labelme标注软件标记每张图像的结节区域，再将数据集分为训练集和测试集两部分；

然后对脱敏后的超声图像预处理：使用非线性多尺度小波扩散算法对超声图像进行去噪，使用对比度有限自适应直方图均衡化对图像进行对比度增强；

S2、使用Unet网络训练分割模型，根据损失函数对分割模型进行训练，优化模型参数；网络训练输入为训练集的乳腺超声原图像和对应的手工标注结节掩模图像，网络输出为预测的结节掩模图；

S3、模型训练采用多阶段，每一个阶段结束，计算每个图像的似噪音指数s，以s范围值为横坐标，范围内s值的个数为纵坐标，当s的分布接近两个正态分布时进入S4步骤，s计算公式如下：

其中，y^*代表人工标注的乳腺结节掩模图像，

代表整个图像的模型预测输出，c的值为类别标签，d为阈值，像素值大于d的区域为乳腺结节；

S4、经过S3，训练集样本的似噪音指数呈两个正态分布，两个正态分布交于点τ，s值大于临界点的样本被认定为噪声；通过动态调整噪声样本对应的超参数μ来降低损失函数值，从而降低噪声样本对模型的干扰；超参数μ的计算公式如下：

其中τ为两个正态分布的交界点，

为两个正态分布的顶点，ω为超参数；

继续训练模型，直到损失函数值不再下降；

S5、运用模型进行结节分割：输入乳腺二维超声图像，模型自动输出结节掩模图像，再运用阈值对掩模图像进行更新，像素值大于阈值的设为1，否则更新为0；更新后图像像素为1的区域即为结节区域，再根据掩模图像标记原乳腺超声图像结节区域，得到分割结果。

进一步的，在步骤S2中，使用focalloss函数和diceloss函数联合作为训练模型的损失函数，其中，focalloss函数的表达式如下：

L_focalloss＝-α_t(1-p_t)^μ*γlog(p_t) (1)

式中，p_t是超声图像每个像素的模型预测输出，范围[0，1]，α_t、μ、γ为超参数；

其中，diceloss函数的表达式如下：

式中，θ_TP代表模型预测和人为标注结节区域重合的像素数量，θ_FP代表错误预测为结节，实际是背景的部分，θ_FN代表错误预测为背景的部分；

最终的损失函数为：

L_loss＝βL_focalloss+δL_diceloss (3)

式中β、δ为超参数。

相对于现有技术，本发明具有如下益效果：

1、本发明突破了基础网络对数据集高可靠性的限制，本发明对训练数据集包含一定量的噪声数据具有很高的容忍性，降低了数据集扩充的难度，同时保证了高数据样本量对神经网络准确率的增益特性。

2、本发明通过对网络训练过程的动态监测，本发明能针对不同的训练集自动定位网络能区分噪声样本和正常样本的时间节点——似噪音指数s呈现两个正态分布的时间点。

3、本发明在网络有区分噪声样本和正常样本的能力之后，加入动态调节模块降低噪声样本的损失函数值，抑制噪声对网络的影响，从而能够保证网络的训练效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例抗噪声数据的乳腺超声结节分割方法的算法训练过程流程图。

图2为本发明乳腺结节分割流程图。

图3-图6为采用本发明分割方法对超声图像进行乳腺结节分割的结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明的实施例，提供一种抗噪声数据的乳腺超声结节分割方法，包括以下步骤：

S1、将原始病人超声图像数据进行脱敏处理(去除身份信息)，构建数据集，使用Labelme标注软件标记每张图像的结节区域，再将数据集分为训练集和测试集两部分，其中测试集由临床医生进一步确定标注的准确性；

然后对脱敏后的超声图像预处理：使用非线性多尺度小波扩散算法对超声图像进行去噪，使用对比度有限自适应直方图均衡化对图像进行对比度增强。

S2、使用Unet网络训练分割模型，根据损失函数对分割模型进行训练，优化模型参数；网络训练输入为训练集的乳腺超声原图像和对应的手工标注结节掩模图像，网络输出为预测的结节掩模图；

本发明中使用focalloss函数和diceloss函数联合作为训练模型的损失函数，其中，focalloss函数的表达式如下：

L_focalloss＝-α_t(1-p_t)^μ*γlog(p_t) (1)

式中，p_t是超声图像每个像素的模型预测输出，范围[0，1]，α_t、μ、γ为超参数；本发明α_t、γ采用的值分别是：0.25和2，μ的值根据网络训练结果动态生成。

其中，diceloss函数的表达式如下：

式中，θ_TP代表模型预测和人为标注结节区域重合的像素数量，θ_FP代表错误预测为结节，实际是背景的部分，θ_FN代表错误预测为背景的部分；

最终的损失函数为：

L_loss＝βL_focalloss+δL_diceloss (3)

式中β、δ为超参数，在本发明中β、δ分别取值为：0.6和0.4。

S3、模型训练采用多阶段，每一个阶段结束，计算每个图像的似噪音指数s，以s范围值为横坐标，范围内s值的个数为纵坐标，当s的分布接近两个正态分布时进入S4步骤，s计算公式如下：

其中，y^*代表人工标注的乳腺结节掩模图像，

代表整个图像的模型预测输出，c的值为类别标签，本发明取1代表乳腺结节。d为阈值，像素值大于d的区域为乳腺结节。在本发明中d取值为：0.6。

S4、经过S3，训练集样本的似噪音指数呈两个正态分布，两个正态分布交于点τ，s值大于临界点的样本被认定为噪声；通过动态调整噪声样本对应的超参数μ来降低损失函数值，从而降低噪声样本对模型的干扰；超参数μ的计算公式如下：

其中τ为两个正态分布的交界点，

为两个正态分布的顶点，ω为超参数，本发明中ω取值：15；

继续训练模型，直到损失函数值不再下降。

S5、运用模型进行结节分割：输入乳腺二维超声图像，模型自动输出结节掩模图像，再运用阈值对掩模图像进行更新，像素值大于阈值0.6的设为1，否则更新为0；更新后图像像素为1的区域即为结节区域，再根据掩模图像标记原乳腺超声图像结节区域，得到分割结果。

本发明利用正常数据与噪声数据存在不同的交并比(Intersection overUnion，IOU)分布，设计了噪音指数s来判断当前数据是噪声的概率，同时动态调整损失函数中的超参数μ来削弱噪声对模型的干扰。采用本发明的乳腺超声结节分割方法对4组乳腺超声图像进行结节分割，结果如图3-图6所示，其中图3-图6中的Image是乳腺超声图像，Gt Mask代表人工标注的掩模图像，Pr Mask代表模型预测输出(白色区域代表结节区域)。针对图中结果可以看出，模型预测输出的结节分割结果相比手工标注更加准确。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种抗噪声数据的乳腺超声结节分割方法，其特征在于，包括以下步骤：

S1、将原始病人超声图像数据进行脱敏处理，构建数据集，使用Labelme标注软件标记每张图像的结节区域，再将数据集分为训练集和测试集两部分；

然后对脱敏后的超声图像预处理：使用非线性多尺度小波扩散算法对超声图像进行去噪，使用对比度有限自适应直方图均衡化对图像进行对比度增强；

S2、使用Unet网络训练分割模型，根据损失函数对分割模型进行训练，优化模型参数；网络训练输入为训练集的乳腺超声原图像和对应的手工标注结节掩模图像，网络输出为预测的结节掩模图；

在步骤S2中，使用focalloss函数和diceloss函数联合作为训练模型的损失函数，其中，focalloss函数的表达式如下：

L_focalloss＝-α_t(1-p_t)^μ*γlog(p_t) (1)

式中，p_t是超声图像每个像素的模型预测输出，范围[0，1]，α_t、μ、γ超参数；

其中，diceloss函数的表达式如下：

式中，θ_TP代表模型预测和人为标注结节区域重合的像素数量，θ_FP代表错误预测为结节，实际是背景部分的像素数量，θ_FN代表错误预测为背景部分的像素数量；

最终的损失函数为：

L_loss＝βL_focalloss+δL_diceloss (3)

式中β、δ为超参数；

S3、模型训练采用多轮次，每一轮次的模型训练结束，计算每个图像的似噪音指数s，以s范围值为横坐标，范围内s值的个数为纵坐标，当s的分布接近两个正态分布时进入S4步骤，s计算公式如下：

其中，y^*代表人工标注的乳腺结节掩模图像，

代表整个图像的模型预测输出，c的值为类别标签，d为阈值，像素值大于d的区域为乳腺结节；

S4、经过S3，所获得的两个正态分布交于点τ，s值大于临界点的样本被认定为噪声；通过动态调整噪声样本对应的超参数μ来降低损失函数值，从而降低噪声样本对模型的干扰；超参数μ的计算公式如下：

其中τ为两个正态分布的交界点，

为两个正态分布的顶点，ω为超参数；

继续训练模型，直到损失函数值不再下降；

S5、运用模型进行结节分割：输入乳腺二维超声图像，模型自动输出结节掩模图像，再运用阈值对掩模图像进行更新，像素值大于阈值的设为1，否则更新为0；更新后图像像素为1的区域即为结节区域，再根据掩模图像标记原乳腺超声图像结节区域，得到分割结果。

Images