(19)國家知識產(chǎn)權局(12)發(fā)明專利(65)同一申請的已公布的文獻號193號(74)專利代理機構北京久誠知識產(chǎn)權代理事務A61B8/08(2006.01)基于剪枝U-Net++的乳腺腫塊圖像分割方法及系統(tǒng)本發(fā)明提供一種基于剪枝U-Net++的乳腺腫塊圖像分割方法及系統(tǒng)，涉及超聲圖像分割技術領域。本發(fā)明構建的剪枝U-Net++的乳腺腫塊圖像分割模型，是基于U-Net++網(wǎng)絡，利用跳躍連接融合各分支U-Net的特征表達，并引入殘差連接代替U-Net++方法中的密集連接，利用該模型對獲取的原始乳腺超聲圖像進行分割。本發(fā)明所構建的剪枝U-Net++乳腺超聲圖像分割模型，在對乳腺超聲圖像中的腫塊進行分割時，可避免因醫(yī)療圖像數(shù)據(jù)存在小數(shù)據(jù)集問題而導致的模型過擬合問題，提高了超聲圖像乳腺腫塊分割模型的泛化能力；同時，模型參數(shù)的規(guī)模遠小于現(xiàn)有技術，降低了網(wǎng)絡模型的復雜度，可縮短網(wǎng)絡訓練基于所述剪枝U-Net++乳腺超聲圖像分割模型對所述原始乳腺超聲圖像21.一種基于剪枝U-Net++的乳腺腫塊圖像分割方法，其特征在于，所述方法包括：S1、獲取原始乳腺超聲圖像并對所述原始乳腺超聲圖像進行預處理；S2、基于U-Net++網(wǎng)絡構建剪枝U-Net++乳腺超聲圖像分割模型；所述剪枝U-Net++乳腺超聲圖像分割模型包括：通過跳躍連接融合各分支U-Net的特征表達，同時引入殘差連接取代U-Net++網(wǎng)絡中的密集連接，基于深監(jiān)督方法權衡在不同網(wǎng)絡特征下的訓練精度和速度，基于網(wǎng)絡剪枝方法降低U-Net++網(wǎng)絡層級之間的特征圖通道冗余信息；S3、基于所述剪枝U-Net++乳腺超聲圖像分割模型對所述原始乳腺超聲圖像進行分割；所述剪枝U-Net++乳腺超聲圖像分割模型在編碼路徑提供四次下采樣層，在解碼路徑提供四次上采樣層；其中，每個下采樣層均包括卷積層與池化層，兩個串聯(lián)的3×3卷積層保證在卷積核具有相同感受野的前提下?lián)碛懈俚膮?shù)，一個最大池化層保證在縮減模型規(guī)模的基礎上保留圖像最顯著的特征；每個上采樣層由一個2×2反卷積層組成，用于將下采樣層提取的特征圖恢復到原始圖像的分辨率；所述通過跳躍連接融合各分支U-Net的特征表達，包括：通過特征疊加方式的跳躍連接實現(xiàn)從淺層特征到深層特征的映射，融合每個子網(wǎng)絡同一層次，不同層次間的深淺層特征；綜合長連接與短連接將不同層次間特征進行疊加；所述引入殘差連接取代U-Net++網(wǎng)絡中的密集連接，包括：在子網(wǎng)絡中間層采用殘差連接，將輸出的特征圖僅與前一層的特征進行通道維級聯(lián)，以在降低網(wǎng)絡特征圖通道維冗余信息的情況下，考慮特征圖上下文信息，抓取圖像深層次2.如權利要求1所述的方法，其特征在于，所述對所述原始乳腺超聲圖像進行預處理包S11、針對DICOM格式原始乳腺超聲灰階圖像，將三通道灰度圖像轉化為單通道灰度圖像，并在保持圖像分辨率不變的前提下將DICOM格式原始乳腺超聲圖像另存為PNG格式乳腺超聲圖像；S12、對PNG格式原始乳腺超聲圖像進行統(tǒng)一裁剪，并將裁剪后的PNG格式原始乳腺超聲圖像統(tǒng)一縮放為同一尺寸；S13、對尺寸統(tǒng)一后的PNG格式原始乳腺超聲圖像的像素值矩陣進行歸一化處理；S14、將經(jīng)過歸一化處理后的乳腺超聲圖像數(shù)據(jù)集按一定比例隨機劃分為訓練集與測試集。3.如權利要求1所述的方法，其特征在于，所述方法還包括：在所述S2步驟之后且在所述S3步驟之前對所述剪枝U-Net++乳腺超聲圖像分割模型進行模型訓練。4.如權利要求3所述的方法，其特征在于，所述模型訓練包S22、組織訓練集數(shù)據(jù)訓練剪枝U-Net++乳腺超聲圖像分割模型并得到模型預測值；S23、基于模型預測值和真實值通過損失函數(shù)確定損失值；S24、基于反向傳播方法，通過隨機梯度下降法優(yōu)化剪枝U-Net++乳腺超聲圖像分割模5.如權利要求4所述的方法，其特征在于，所述損失函數(shù)包括BCEWithLogitsLoss函數(shù)。6.一種基于剪枝U-Net++的乳腺腫塊圖像分割系統(tǒng)，3圖像獲取和處理模塊，用于獲取原始乳腺超聲圖像并對所述原始乳腺超聲圖像進行預處理；模型構建模塊，用于基于U-Net++網(wǎng)絡構建剪枝U-Net++乳腺超聲圖像分割模型；所述剪枝U-Net++乳腺超聲圖像分割模型包括：通過跳躍連接融合各分支U-Net的特征表達，同時引入殘差連接取代U-Net++網(wǎng)絡中的密集連接，基于深監(jiān)督方法權衡在不同網(wǎng)絡特征下的訓練精度和速度，基于網(wǎng)絡剪枝方法降低U-Net++網(wǎng)絡層級之間的特征圖通道冗余信息；圖像分割模塊，用于基于所述剪枝U-Net++乳腺超聲圖像分割模型對所述原始乳腺超聲圖像進行分割；所述剪枝U-Net++乳腺超聲圖像分割模型在編碼路徑提供四次下采樣層，在解碼路徑提供四次上采樣層；其中，每個下采樣層均包括卷積層與池化層，兩個串聯(lián)的3×3卷積層保證在卷積核具有相同感受野的前提下?lián)碛懈俚膮?shù)，一個最大池化層保證在縮減模型規(guī)模的基礎上保留圖像最顯著的特征；每個上采樣層由一個2×2反卷積層組成，用于將下采樣層提取的特征圖恢復到原始圖像的分辨率；所述通過跳躍連接融合各分支U-Net的特征表達，包括：通過特征疊加方式的跳躍連接實現(xiàn)從淺層特征到深層特征的映射，融合每個子網(wǎng)絡同一層次，不同層次間的深淺層特征；綜合長連接與短連接將不同層次間特征進行疊加；所述引入殘差連接取代U-Net++網(wǎng)絡中的密集連接，包括：在子網(wǎng)絡中間層采用殘差連接，將輸出的特征圖僅與前一層的特征進行通道維級聯(lián)，以在降低網(wǎng)絡特征圖通道維冗余信息的情況下，考慮特征圖上下文信息，抓取圖像深層次7.如權利要求6所述的系統(tǒng)，其特征在于，所述圖像獲取和處理模塊對所述原始乳腺超聲圖像進行預處理包括：S11、針對DICOM格式原始乳腺超聲灰階圖像，將三通道灰度圖像轉化為單通道灰度圖像，并在保持圖像分辨率不變的前提下將DICOM格式原始乳腺超聲圖像另存為PNG格式乳腺超聲圖像；S12、對PNG格式原始乳腺超聲圖像進行統(tǒng)一裁剪，并將裁剪后的PNG格式原始乳腺超聲圖像統(tǒng)一縮放為同一尺寸；S13、對尺寸統(tǒng)一后的PNG格式原始乳腺超聲圖像的像素值矩陣進行歸一化處理；S14、將經(jīng)過歸一化處理后的乳腺超聲圖像數(shù)據(jù)集按一定比例隨機劃分為訓練集與測試集。8.如權利要求6所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括模型訓練模塊，用于在剪枝U-Net++乳腺超聲圖像分割模型構建之后且在乳腺超聲圖像分割之前對所述剪枝U-Net++乳腺超聲圖像分割模型進行模型訓練。9.如權利要求8所述的系統(tǒng)，其特征在于，所述模型訓練模塊進行模型訓練時包括：S22、組織訓練集數(shù)據(jù)訓練剪枝U-Net++乳腺超聲圖像分割模型并得到模型預測值；S23、基于模型預測值和真實值通過損失函數(shù)確定損失值；S24、基于反向傳播方法，通過隨機梯度下降法優(yōu)化剪枝U-Net++乳腺超聲圖像分割模45基于剪枝U-Net++的乳腺腫塊圖像分割方法及系統(tǒng)技術領域[0001]本發(fā)明涉及超聲圖像分割技術領域，具體涉及一種基于剪枝U-Net++的乳腺腫塊圖像分割方法及系統(tǒng)。背景技術[0002]乳腺B超檢查是檢測和分類乳房異常最常用方式之一，醫(yī)生根據(jù)患者體征與超聲圖像中乳腺腫塊的特征給出診斷意見并對乳腺疾病進行分類。但受限于醫(yī)生診斷經(jīng)驗與精力，超聲圖像中乳腺腫塊的辨別存在耗費時間長、準確度較低等問題。隨著計算機技術的飛速發(fā)展，計算機輔助診斷技術逐漸參與到醫(yī)療診斷過程當中，如何在復雜的乳腺超聲圖像中高效精準地識別和分割出腫塊是目前亟需解決的問題。[0003]目前，用于超聲圖像分割的方法有基于圖像處理的傳統(tǒng)方法(如，固定閾值分割[0004]由于先驗知識是基于圖像處理的傳統(tǒng)方法的核心，然而通過先驗知識對乳腺超聲圖像特征的分析具有局限性，因此僅僅依賴于傳統(tǒng)分割方法無法對超聲圖像進行像素級別的準確分割。U-Net方法將差異較大的深層、淺層特征直接連接，會導致部分淺層特征丟失，從而加大網(wǎng)絡的學習難度。U-Net++方法中用長、短連接相結合的方式取代原有的單一長連會導致過擬合的產(chǎn)生，不利于分割準確度的提高與分割模型的泛化，同時U-Net++方法沒有考慮層級之間關聯(lián)的冗余信息剪枝會導致計算時間長、效率低?？梢姡F(xiàn)有技術無法實現(xiàn)在小數(shù)據(jù)集的情況下高效、精準的對乳腺超聲圖像進行分割。發(fā)明內(nèi)容[0006]針對現(xiàn)有技術的不足，本發(fā)明提供了一種基于剪枝U-Net++的乳腺腫塊圖像分割方法及系統(tǒng)，解決了現(xiàn)有技術無法在小數(shù)據(jù)集的情況下對乳腺超聲圖像進行高效、精準分割的問題。[0007](二)技術方案[0008]為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：[0009]第一方面，本發(fā)明首先提出了一種基于剪枝U-Net++的乳腺腫塊圖像分割方法，所述方法包括：[0010]獲取原始乳腺超聲圖像并對所述原始乳腺超聲圖像進行預處理；[0011]基于U-Net++網(wǎng)絡構建剪枝U-Net++乳腺超聲圖像分割模型；所述剪枝U-Net++乳腺超聲圖像分割模型包括：通過跳躍連接融合各分支U-Net的特征表達，同時引入殘差連接取代U-Net++網(wǎng)絡中的密集連接；[0012]基于所述剪枝U-Net++乳腺超聲圖像分割模型對所述原始乳腺超聲圖像進行分2/10頁2/10頁6[0013]優(yōu)選的，所述對所述原始乳腺超聲圖像進行預處理包括：[0014]S11、針對DICOM格式原始乳腺超聲灰階圖像，將三通道灰度圖像轉化為單通道灰度圖像，并在保持圖像分辨率不變的前提下將DICOM格式原始乳腺超聲圖像另存為PNG格式乳腺超聲圖像；[0015]S12、對PNG格式原始乳腺超聲圖像進行統(tǒng)一裁剪，并將裁剪后的PNG格式原始乳腺超聲圖像統(tǒng)一縮放為同一尺寸；[0016]S13、對尺寸統(tǒng)一后的PNG格式原始乳腺超聲圖像的像素值矩陣進行歸一化處理；[0017]S14、將經(jīng)過歸一化處理后的乳腺超聲圖像數(shù)據(jù)集按一定比例隨機劃分為訓練集與測試集。[0018]優(yōu)選的，所述方法還包括：在所述S2步驟之后且在所述S3步驟之前對所述剪枝U-Net++乳腺超聲圖像分割模型進行模型訓練。[0019]優(yōu)選的，所述模型訓練包括：[0020]S21、初始化剪枝U-Net++乳腺超聲圖像分割模型的參數(shù)；[0022]S23、基于模型預測值和真實值通過損失函數(shù)確定損失值；[0023]S24、基于反向傳播方法，通過隨機梯度下降法優(yōu)化剪枝U-Net++乳腺超聲圖像分割模型的參數(shù)，得到最佳參數(shù)。[0024]優(yōu)選的，所述損失函數(shù)包括BCEWithLogitsLoss函數(shù)。[0025]第二方面，本發(fā)明還提出了一種基于剪枝U-Net++的乳腺腫塊圖像分割系統(tǒng)，所述系統(tǒng)包括：[0026]圖像獲取和處理模塊，用于獲取原始乳腺超聲圖像并對所述原始乳腺超聲圖像進行預處理；[0027]模型構建模塊，用于基于U-Net++網(wǎng)絡構建剪枝U-Net++乳腺超聲圖像分割模型；所述剪枝U-Net++乳腺超聲圖像分割模型包括：通過跳躍連接融合各分支U-Net的特征表達，同時引入殘差連接取代U-Net++網(wǎng)絡中的密集連接；[0028]圖像分割模塊，用于基于所述剪枝U-Net++乳腺超聲圖像分割模型對所述原始乳腺超聲圖像進行分割。[0029]優(yōu)選的，所述圖像獲取和處理模塊對所述原始乳腺超聲圖像進行預處理包括：[0030]S11、針對DICOM格式原始乳腺超聲灰階圖像，將三通道灰度圖像轉化為單通道灰度圖像，并在保持圖像分辨率不變的前提下將DICOM格式原始乳腺超聲圖像另存為PNG格式乳腺超聲圖像；[0031]S12、對PNG格式原始乳腺超聲圖像進行統(tǒng)一裁剪，并將裁剪后的PNG格式原始乳腺超聲圖像統(tǒng)一縮放為同一尺寸；[0032]S13、對尺寸統(tǒng)一后的PNG格式原始乳腺超聲圖像的像素值矩陣進行歸一化處理；[0033]S14、將經(jīng)過歸一化處理后的乳腺超聲圖像數(shù)據(jù)集按一定比例隨機劃分為訓練集與測試集。[0034]優(yōu)選的，所述系統(tǒng)還包括模型訓練模塊，用于在剪枝U-Net++乳腺超聲圖像分割模型構建之后且在乳腺超聲圖像分割之前對所述剪枝U-Net++乳腺超聲圖像分割模型進行模7型訓練。[0035]優(yōu)選的，所述模型訓練模塊進行模型訓練時包括：[0036]S21、初始化剪枝U-Net++乳腺超聲圖像分割模型的參數(shù)；[0037]S22、組織訓練集數(shù)據(jù)訓練剪枝U-Net++乳腺超聲圖像分割模型并得到模型預測[0038]S23、基于模型預測值和真實值通過損失函數(shù)確定損失值；[0039]S24、基于反向傳播方法，通過隨機梯度下降法優(yōu)化剪枝U-Net++乳腺超聲圖像分割模型的參數(shù)，得到最佳參數(shù)。[0040]優(yōu)選的，所述損失函數(shù)包括BCEWi[0041](三)有益效果[0042]本發(fā)明提供了一種基于剪枝U-Net++的乳腺腫塊圖像分割方法及系統(tǒng)。與現(xiàn)有技[0043]1、本發(fā)明的基于剪枝U-Net++的乳腺腫塊圖像分割方法及系統(tǒng)，基于U-Net++網(wǎng)絡，利用跳躍連接融合各分支U-Net的特征表達，并引入殘差連接代替U-Net++方法中的密集連接，構建剪枝U-Net++乳腺超聲圖像分割模型，然后利用該模型對獲取的原始乳腺超聲圖像進行分割。本發(fā)明技術方案中所構建的剪枝U-Net++乳腺超聲圖像分割模型，在對乳腺超聲圖像中的腫塊進行分割時，可避免因醫(yī)療圖像數(shù)據(jù)存在小數(shù)據(jù)集問題而導致的模型過擬合問題，提高了超聲圖像乳腺腫塊分割模型的泛化能力；同時，該技術方案所構建的剪枝U-Net++乳腺超聲圖像分割模型的參數(shù)規(guī)模遠小于現(xiàn)有技術，這直接降低了網(wǎng)絡模型的復雜度，在一定程度上縮短了網(wǎng)絡訓練的計算時間，減少了網(wǎng)絡訓練的內(nèi)存占用，提高了模型訓練效率。[0044]2、本發(fā)明中通過特征疊加方式的跳躍連接實現(xiàn)從淺層特征到深層特征的映射，融合每個子網(wǎng)絡同一層次、不同層次間的深淺層特征，彌補了現(xiàn)有技術中U-Net方法存在特征連接語義鴻溝的缺陷，可以更好地從模型中提取圖像特征，提高超聲圖像乳腺腫塊的分割效果。[0045]3、本發(fā)明中在子網(wǎng)絡中間層采用殘差連接，將輸出的特征圖僅與前一層的特征進行通道維級聯(lián).相比于U-Net++網(wǎng)絡中的密集連接，該過程可在降低網(wǎng)絡特征圖通道維冗余信息的情況下，同時有效地考慮特征圖上下文信息，從而達到在抓取圖像深層次特征的同附圖說明[0046]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0047]圖1為本發(fā)明實施例中基于剪枝U-Net++的乳腺腫塊圖像分割方法的流程圖；[0048]圖2為本發(fā)明實施例中剪枝U-Net++乳腺超聲圖像分割模型的網(wǎng)絡架構圖；[0049]圖3為本發(fā)明實施例中基于剪枝U-Net++乳腺超聲圖像分割模型分割后的結果圖；[0050]圖4為本發(fā)明實施例中基于剪枝U-Net++乳腺超聲圖像分割方法和現(xiàn)有兩種分割8方法的分割結果對比圖。具體實施方式[0051]為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。[0052]本申請實施例通過提供一種基于剪枝U-Net++的乳腺腫塊圖像分割方法及系統(tǒng)，解決了現(xiàn)有技術無法在小數(shù)據(jù)集的情況下對乳腺超聲圖像進行高效、精準分割的問題，實現(xiàn)提高乳腺超聲圖像中腫塊分割在小數(shù)據(jù)集情況下的準確度和效率問題。[0053]本申請實施例中的技術方案為解決上述技術問題，總體思路如下：[0054]為了克服現(xiàn)有的乳腺超聲圖像因為小數(shù)據(jù)集而導致乳腺腫塊圖像在進行分割時出現(xiàn)過擬合，從而使得乳腺超聲圖像分割結果準確率低且分割模型泛化能力差的問題，同時克服現(xiàn)有技術中乳腺超聲圖像分割模型網(wǎng)絡復雜，導致分割時計算量大、時間長、效率低等問題，本發(fā)明利用跳躍連接融合各分支U-Net的特征表達，并引入殘差連接代替U-Net++方法中的密集連接，基于深監(jiān)督方法權衡在不同網(wǎng)絡深度下的訓練精度和速度，基于網(wǎng)絡剪枝方法降低U-Net++網(wǎng)絡層級之間的特征圖通道冗余信息，從而構建剪枝U-Net++乳腺超聲圖像分割模型，基于該模型對原始乳腺超聲圖像進行分割，相比于現(xiàn)有技術效率更高、精準度更高。[0055]為了更好的理解上述技術方案，下面將結合說明書附圖以及具體的實施方式對上述技術方案進行詳細的說明。[0056]實施例1:[0057]第一方面，參見圖1,本發(fā)明首先提出了一種基于剪枝U-Net++的乳腺腫塊圖像分[0058]S1、獲取原始乳腺超聲圖像并對所述原始乳腺超聲圖像進行預處理；[0059]S2、基于U-Net++網(wǎng)絡構建剪枝U-Net++乳腺超聲圖像分割模型；乳腺超聲圖像分割模型包括：通過跳躍連接融合各分支U-Net的特征表達，同時引入殘差連接取代U-Net++網(wǎng)絡中的密集連接；[0060]S3、基于所述剪枝U-Net++乳腺超聲圖像分割模型對所述原始乳腺超聲圖像進行分割。[0061]可見，本實施例的基于剪枝U-Net++的乳腺腫塊圖像分割方法及系統(tǒng)，基于U-Net++網(wǎng)絡，利用跳躍連接融合各分支U-Net的特征表達，并引入殘差連接代替U-Net++方法中的密集連接，構建剪枝U-Net++乳腺超聲圖像分割模型，然后利用該模型對獲取的原始乳腺超聲圖像進行分割。本發(fā)明技術方案中所構建的剪枝U-Net++乳腺超聲圖像分割模型，在對乳腺超聲圖像中的腫塊進行分割時，可避免因醫(yī)療圖像數(shù)據(jù)存在小數(shù)據(jù)集問題而導致的模型過擬合問題，提高了超聲圖像乳腺腫塊分割模型的泛化能力；同時，該技術方案所構建的剪枝U-Net++乳腺超聲圖像分割模型的參數(shù)規(guī)模遠小于現(xiàn)有技術，這直接降低了網(wǎng)絡模型的復雜度，在一定程度上縮短了網(wǎng)絡訓練的計算時間，減少了網(wǎng)絡訓練的內(nèi)存占用，提高了模型訓練效率。9[0062]下面我們以一家三甲醫(yī)院采集的乳腺超聲圖像數(shù)據(jù)集為例，參見圖1-4,并結合對具體步驟的解釋，來詳細說明本發(fā)明一個實施例的實現(xiàn)過程。[0063]S1、獲取原始乳腺超聲圖像并對所述原始乳腺超聲圖像進行預處理。[0064]1)獲取原始乳腺超聲圖像。[0065]為了保證數(shù)據(jù)集的真實、可靠性，同時驗證本技術方案中剪枝U-Net++的乳腺腫塊圖像分割模型的普適性和泛化能力，本實施例以來自中國安徽合肥市一家三甲醫(yī)院采集的乳腺超聲圖像數(shù)據(jù)集為例，數(shù)據(jù)集中圖像分別由不同B超機在不同患者身上采集。每位患者可能對應多張乳腺超聲圖像，包括橫切與縱切等不同方向的灰階圖像。給定醫(yī)院采集的乳腺超聲圖像，每一張圖像均由經(jīng)驗豐富的超聲科臨床醫(yī)生精確勾勒出乳腺腫塊的輪廓，用于模型的訓練與測試。[0066]2)對上述獲取的原始乳腺超聲圖像進行預處理。[0067]為了加快網(wǎng)絡模型訓練速度與提高分割結果準確度，需對格式為DICOM、分辨率高達1260×910像素的原始乳腺超聲圖像數(shù)據(jù)集進行標準化歸一化處理，具體操作如下：[0068]S11、針對DICOM格式原始乳腺超聲灰階圖像，將三通道灰度圖像轉化為單通道灰度圖像，并在保持圖像分辨率不變的前提下將DICOM格式原始乳腺超聲圖像另存為PNG格式乳腺超聲圖像。[0069]由于乳腺超聲圖像的感興趣區(qū)域為灰度圖像，因此將三通道的灰度圖像轉化為單通道灰度圖像將不會損失圖像特征信息，同時能夠降低圖像通道維度。所以針對格式為DICOM的原始乳腺超聲灰階圖像，為簡化模型訓練過程，我們將三通道灰度圖像轉化為單通道灰度圖像，同時為了降低圖像文件大小以加快網(wǎng)絡訓練速度，將DICOM格式原始乳腺超聲圖像另存為PNG圖像格式，與此同時保持圖像分辨率不變，保留了圖像的特征信息。[0070]S12、對PNG格超聲圖像統(tǒng)一縮放為同一尺寸。[0071]通過對PNG格式原始乳腺超聲圖像進行統(tǒng)一裁剪，降低無關噪聲區(qū)域的影響，從而可以聚焦感興趣目標病灶區(qū)域，同時也能夠刪除患者敏感信息。另外，為便于網(wǎng)絡模型的訓練參數(shù)設置，將裁剪后的圖像統(tǒng)一縮放為同一尺寸。[0072]S13、對PNG格式原始乳腺超聲圖像的像素值矩陣進行歸一化處理。[0073]由于乳腺圖像的像素值矩陣取值均在0-255范圍內(nèi)，一定程度上會降低網(wǎng)絡的學習效率，為實現(xiàn)統(tǒng)一在[0,1]之間進行的概率計算、加快網(wǎng)絡模型的學習速度，對乳腺超聲圖像的像素值矩陣進行歸一化處理，將其統(tǒng)一到[0,1]的區(qū)間內(nèi)。[0074]S14、將經(jīng)過歸一化處理后的乳腺超聲圖像數(shù)據(jù)集按一定比例隨機劃分為訓練集與測試集[0075]按一定比例將乳腺超聲圖像數(shù)據(jù)集隨機劃分為訓練集與測試集，其中，測試集和訓練集均具有標簽，以便后續(xù)模型測試時比對分割的準確度。一般，我們按照按4:1的比例隨機劃分為訓練集與測試集。[0076]S2、基于U-Net++網(wǎng)絡構建剪枝U-Net++乳腺超聲圖像分割模型；所述剪枝U-Net++乳腺超聲圖像分割模型包括：通過跳躍連接融合各分支U-Net的特征表達，同時引入殘差連接取代U-Net++網(wǎng)絡中的密集連接。[0077]本實施例采用卷積神經(jīng)網(wǎng)絡(CNN)方法基于U-Net++網(wǎng)絡構建剪枝U-Net++乳腺超聲圖像分割模型。本實施例構建的剪枝U-Net++乳腺超聲圖像分割模型，是在U-Net++網(wǎng)絡的基礎上，通過跳躍連接融合各分支U-Net的特征表達，同時引入殘差連接取代U-Net++網(wǎng)絡中的密集連接。具體的，本實施例所構建的剪枝U-Net++乳腺超聲圖像分割模型的網(wǎng)絡結[0078]1)剪枝U-Net++乳腺超聲圖像分割模型的主干網(wǎng)絡。[0079]本實施例所提出的剪枝U-Net++乳腺超聲圖像分割模型基于編碼器-解碼器結構的核心思想，主干網(wǎng)絡沿用U-Net方法編碼器-解碼器的對稱網(wǎng)絡架構，兼顧深層特征的提取與淺層特征的找回。本實施例的剪枝U-Net++乳腺超聲圖像分割模型在編碼路徑提供四次下采樣層，在解碼路徑提供四次上采樣層，以便充分提取圖像的深層與淺層特征。其中，每個下采樣層均包括卷積層與池化層，兩個串聯(lián)的3×3卷積層保證在卷積核具有相同感受野的前提下?lián)碛懈俚膮?shù)，一個最大池化層保證在縮減模型規(guī)模的基礎上保留圖像最顯著的特征；每個上采樣層由一個2×2反卷積層組成，用于將下采樣層提取的特征圖恢復到原始圖像的分辨率；在每一層操作后采用計算復雜度低、收斂效果好的ReLU函數(shù)作為激活函數(shù)，實現(xiàn)輸入數(shù)據(jù)從線性至非線性的映射。[0081]基于上述主干網(wǎng)絡及U-Net++方法的思路，本實施例中為保留每一層次所提取的特征，在每一層下采樣層即進行上采樣操作，解決了淺層簡單特征被忽略的問題，整體把握圖像數(shù)據(jù)的深層與淺層特征；通過跳躍連接將同一層次深淺層特征進行疊加，實現(xiàn)了因網(wǎng)絡層數(shù)加深而丟失的邊緣特征的找回；綜合長連接與短連接將不同層次間特征進行疊加，縮小了直接將差異較大的深層與淺層特征結合的語義鴻溝，提高了解碼路徑中還原原始圖像尺寸的效果。其中，本實施例在子網(wǎng)絡中間層采用殘差連接，將輸出的特征圖僅與前一層的特征進行通道維級聯(lián)，相比于U-Net++網(wǎng)絡中的密集連接，該過程可在降低網(wǎng)絡特征圖通道維冗余信息的情況下，同時有效地考慮特征圖上下文信息，從而達到在抓取圖像深層次[0082]為了保證本實施例中所構建的剪枝U-Net++乳腺超聲圖像分割模型分割時的準確度和分割效率能達到預期效果，需要對構建的剪枝U-Net++乳腺超聲圖像分割模型進行訓[0083]S21、初始化剪枝U-Net++乳腺超聲圖像分割模型的參數(shù)。[0084]隨機初始化剪枝U-Net++乳腺超聲圖像分割模型的參數(shù)。[0085]S22、組織訓練集數(shù)據(jù)訓練剪枝U-Net++乳腺超聲圖像分割模型并得到模型預測值。[0086]將訓練集所有數(shù)據(jù)(帶標簽)分成多個批次，分批次輸入到所構建的剪枝U-Net++乳腺超聲圖像分割模型中，并通過前向傳播計算預測值，即通過剪枝U-Net++模型針對圖像所示全部像素點進行二分類，得到預測值。[0087]S23、基于模型預測值和真實值通過選擇的損失函數(shù)確定損失值。[0088]考慮到圖像語義分割的本質是像素點的分類問題，即對圖像所示全部像素點進行二分類。因此，乳腺腫塊區(qū)域的識別本質上屬于二分類任務，可以使用BCEWithLogitsLoss函數(shù)來計算二分類交叉熵。具體的，比較預測值與真實值之間的差距，即結合標簽值與預測值計算每個像素點的損失值，并將所有像素點損失值的平均值作為所對應乳腺超聲圖像的[0090]在訓練過程中可以通過調(diào)整參數(shù)值來改變損失函數(shù)的函數(shù)值從而得到一個具備化算法，假設批處理采集自訓練集中的m個樣本{x(1),…,x(m)},對應分割失函數(shù)梯度為,累計平方梯度為r←-pr+(1-p)gog,則樣本值[0094]重復每一個epoch,直到損失函數(shù)的平均值不再下降(或下降至最低點)時停止訓[0096]基于上述步驟構建以及經(jīng)過訓練之后的剪枝U-Net++乳腺超聲圖像分割模型，即的乳腺超聲圖像的分割結果，從圖3(a)像、針對乳腺腫塊的超聲科臨床醫(yī)生標注結果以[0099]基于剪枝U-Net++方法的乳腺超聲圖像分割模型的評估指標主要有的平均交互比(MeanIntersectionoverUnion)與交互比方差(Varianceof[0100]交互比(IoU)是圖像語義分割專用的評價標準，用于衡量模型分割結果與醫(yī)生標注結果間的接近程度，意為模型分割結果與醫(yī)生標注結果的重合面積同模型分割結果與醫(yī)生標注結果的并集面積的比值，具體的，交互比的值越大，表明乳腺超聲圖像分割結果越[0101]平均交互比(mIoU)是所有類別交互比的平均值，用于衡量模型分割效果的全局情況。一般根據(jù)不同類別進行計算，將每一類別的交互比計算之后進行累加與平均計算；[0102]交互比方差(VarianceofIntersectionoverUnion)是所有類別交互比的方差，用于衡量模型分割效果的穩(wěn)定性，其中，對交互比方差取算術平方根，即得到交互比標準[0103]在同一測試集上將本實施例所提方法與原有U-Net/U-Net++方法分割結果進行比較的交互比進行比較，實驗結果如表1所示。[0104]表1與原有技術方法IoU對比結果由表可知，直接利用原始U-Net方法和改進后的U-Net方法(U-Net++)所訓練模型的圖像分割的平均交互比相對較低，而通過殘差連接代替密集連接對U-Net++方法進行適當剪枝后，訓練所得模型的圖像分割的平均交互比有所提升，且不同測試圖像數(shù)據(jù)交互比的分布較為集中，說明本實施例所提方法可以提高圖像分割的準確度。此外，剪枝U-Net++方法在測試集上的分割效果優(yōu)于原有兩種技術方法，說明本專利所提方法可以更有效地應對網(wǎng)絡模型過擬合問題。[0107]為進一步驗證本實施例所提方法在訓練效率方面的優(yōu)勢，在相同測試集下對比了本實施例所提方法與原有方法的參數(shù)規(guī)模，如表2所示，其中剪枝U-Net++方法的參數(shù)規(guī)模遠小于原有技術方法，說明本實施例所提方法可以有效降低網(wǎng)絡模型復雜度、減少模型訓練的計算量、提高模型訓練的效率。表2與原有技術方法參數(shù)規(guī)模對比結果[0110]至此，則完成了本發(fā)明一種基于剪枝U-Net++的乳腺腫塊圖像分割方法的全部過程。[0111]實施例2:[0112]第二方面，本發(fā)明還提供了一種基于剪枝U-Net++的乳腺腫塊圖像分割系統(tǒng)，該系統(tǒng)包括：[0113]圖像獲取和處理模塊，用于獲取原始乳腺超聲圖像并對所述原始乳腺超聲圖像進行預處理；[0114]模型構建模塊，用于基于U-Net++網(wǎng)絡構建剪枝U-Net++乳腺超聲圖像分割模型；所述剪枝U-Net++乳腺超聲圖像分割模型包括：通過跳躍連接融合各分支U-Net的特征表達，同時引入殘差連接取代U-Net++網(wǎng)絡中的密集連接；[0115]圖像分割模塊，用于基于所述剪枝U-Net++乳腺超聲圖像分割模型對所述原始乳腺超聲圖像進行分割。[0116]可選的，所述圖像獲取和處理模塊對所述原始乳腺超聲圖像進行預處理包括：[0117]S11、針對DICOM格式原始乳腺超聲灰階圖像，將三通道灰度圖像轉化為單通道灰度圖像，并在保持圖像分辨率不變的前提下將DICOM格式原始乳腺超聲圖像另存為PNG格式乳腺超聲圖像；超聲圖像統(tǒng)一縮放為同一尺寸；[0119]S13、對尺寸統(tǒng)一后的PNG格式原始乳腺超聲圖像的像素值矩陣進行歸一化處理；[0120]S14、將經(jīng)過歸一化處理后的乳腺超聲圖像數(shù)據(jù)集按一定比例隨機劃分為訓練集與測試集。[0121]可選的，所述系統(tǒng)還包括模型訓練模塊，用于在剪枝U-Net++乳腺超聲圖像分割模型構建之后且在乳腺超聲圖像分割之前對所述剪枝U-Net++乳腺超聲圖像分割模型進行模型訓練。[0122]可選的，所述模型訓練模塊進行模型訓練時包括：[0123]S21、初始化剪枝U-Net++乳腺超聲圖像分割模型的參數(shù)；[0124]S22、組織訓練集數(shù)據(jù)訓練剪枝U-Net++乳腺超聲圖像分割模型并得到模型預測[0125]S23、基于模型預測值和真實值通過損失函數(shù)確定損失值；[0126]S24、基于反向傳播方法，通過隨機梯度下降法優(yōu)化剪枝U-Net++乳腺超聲圖像分割模型的參數(shù)，得到最佳參數(shù)。[0127]可選的，所述損失函數(shù)包括BCEWithLogitsLoss函數(shù)。[0128]