基于超声图像的乳腺癌分子亚型的识别预测系统

本发明涉及乳腺癌超声图像识别预测领域，具体是指基于超声图像的乳腺癌分子亚型的识别预测系统。

背景技术：

1、乳腺癌是一种高发病率且严重危害女性身心健康的疾病，目前国内外乳腺癌的治疗主要依据分子分型采取综合治疗，不同分子亚型的患者治疗方案可能截然不同，而临床上乳腺癌患者分子亚型的检测主要是通过获得病灶的组织学标本，然后对标本进行免疫组织化学检测甚至分子原位杂交检测，这些方法存在有创、耗时长、费用高、重复性差等问题，因此临床上亟需一种能够无创、快速、经济、准确的乳腺癌分子亚型检测方法。另外在我国，乳腺超声因具有无辐射、经济、方便、对致密型乳腺病变显影效果好等优点，常被推荐作为乳腺癌患者筛查的优选甚至是首选检查，而目前利用乳腺超声图像来进行相关研究的报道较少。此外，现有的分割算法如u-net及其变体在许多情况下表现良好，但在面对低对比度、边界模糊或异质性高的病变区域时，其准确性会有所下降；现有的深度学习模型在训练过程中需要大量的数据、较长的训练时间和有限的可解释性，在乳腺癌分子亚型的识别中的准确率较低。因此，针对上述不足，发明一种基于乳腺超声图像且性能良好的乳腺癌分子亚型识别预测系统对于乳腺癌的精准诊治至关重要。

技术实现思路

1、针对上述不足，本发明提供了基于超声图像的乳腺癌分子亚型的识别预测系统，针对现有的分割算法在面对低对比度、边界模糊或异质性高的病变区域时，其准确性会有所下降的问题，使用改进的扩散概率模型进行图像分割，该模型使用动态条件编码增强扩散概率模型在医学图像分割中的分步区域注意力，并采用特征频率解析器消除高频噪声成分在医学图像分割中的负面影响；针对现有的深度学习模型在训练过程中需要大量的数据、较长的训练时间和有限的可解释性，在乳腺癌分子亚型的识别中的准确率较低的问题，采用树突学习整合的视觉变换器对乳腺癌分子亚型进行识别预测，优化现有特征提取网络的架构，使其提取的图像特征更丰富、更具代表性，采用树突学习模型和视觉变换器建立有效的和生物学上可解释的结构，从而提高超声图像中的乳腺癌分子亚型的识别准确性，并减少模型的训练时间和增强可解释性。

2、本发明提供的基于超声图像的乳腺癌分子亚型的识别预测系统，包括数据采集模块、图像预处理模块、图像分割模块、特征提取模块、识别预测模块和用户界面模块；

3、所述数据采集模块负责收集包含乳腺癌分子亚型的超声图像以及相关的临床数据；

4、所述图像预处理模块对收集的包含乳腺癌分子亚型的超声图像进行预处理，得到处理后的超声图像；

5、所述图像分割模块使用改进的扩散概率模型将感兴趣区域的图像从处理后的超声图像中分离出来，得到分割特征图；

6、所述特征提取模块使用树突学习整合的视觉变换器进行图像识别，从分割特征图中提取乳腺癌分子亚型的特征进行分类；

7、所述识别预测模块接受新的超声图像作为输入，使用图像分割模块和特征提取模块进行分类，并输出新的超声图像所代表的乳腺癌分子亚型的概率分布和直接分类结果；

8、所述用户界面模块为用户提供友好的交互界面，允许医生和研究人员上传图像、查看乳腺癌分子亚型的概率分布和直接分类结果、调整识别预测模块的参数设置。

9、进一步地，所述图像分割模块使用改进的扩散概率模型将感兴趣区域的图像从处理后的超声图像中分离出来，具体包括以下步骤：

10、步骤s1：原始图像分割，将处理后的超声图像作为原始图像，使用分割标签对原始图像进行分割，得到原始分割图；

11、步骤s2：模型架构，使用resunet模型作为基础框架进行训练，resunet包括resnet编码器和unet解码器；

12、步骤s3：在扩散概率模型的前向过程中，使用高斯噪声逐步破坏原始分割图，直到t步后得到完全被噪声污染的分割图；

13、步骤s4：反向扩散，从分割图开始，在扩散概率模型中使用resunet模型学习如何通过t步逆转加噪过程，恢复到原始的分割图；

14、步骤s5：条件化步骤，在resunet模型中使用动态条件编码策略进行特征整合；

15、步骤s6：特征频率解析器，使用特征频率解析器来约束分割图的特征中的高频噪声，得到经过频率域处理后的特征图；

16、步骤s7：输出分割结果，每个输入的原始图像和分割图分别由独立的resnet编码器处理，得到编码结果，并将编码结果相加以供unet解码器对最终的分割结果进行预测，得到分割特征图；

17、进一步的，在步骤s5中，动态条件编码策略，具体包括以下步骤：

18、步骤s51：特征嵌入生成，使用一个resnet编码器网络提取原始图像在时间步的特征嵌入，得到原始图像的特征图，对于当前步骤的分割图，使用另一个resnet编码器网络来提取分割图的特征嵌入，得到分割图的特征图；

19、步骤s52：条件化步骤估计，使用原始图像的先验信息条件化步骤估计函数，所用公式如下：

20、；

21、其中，为步骤估计函数，为当前时间步的分割图，为原始图像，为当前的时间步骤索引，表示在时间步的特征嵌入，表示在当前时间步下，分割图的特征嵌入，表示unet解码器网络；

22、步骤s53：计算亲和力图，将当前步骤的分割图和原始图像进行层归一化，并使用融合机制整合，得到亲和力图，所用公式如下：

23、；

24、其中，表示对应的在第层的特征图，表示对应的在第层的特征图，为层归一化操作，表示逐元素乘法，为亲和力图；

25、进一步的，在步骤s6中，特征频率解析器，具体包括以下步骤：

26、步骤s61：获取unet解码器特征图，使用unet解码器输出特征图；

27、步骤s62：执行二维快速傅里叶变换，对特征图沿着空间维度执行二维快速傅里叶变换，得到复数形式的频谱，所用公式如下：

28、<mi>m</mi><mi>=</mi><mi>f</mi><mi>[m]∈</mi><msup><mi>c</mi><mrow><mi>h</mi><mi>*</mi><mi>w</mi><mi>*</mi><mi>c</mi></mrow></msup>；

29、其中，<mi>f</mi><mi>[ ]</mi>表示二维快速傅里叶变换，表示特征图，为高度，为宽度，表示通道数，表示复数域，为复数形式的频谱；

30、步骤s63：参数化注意力图，使用参数化的注意力图调节复数形式的频谱，得到调节后的频谱，所用公式如下：

31、；

32、其中，为参数化的注意力图，为调节后的频谱；

33、步骤s64：反转回空间域，使用逆快速傅里叶变换将调节后的频谱转换回空间域，得到经过频率域处理后的特征图，所用公式如下：

34、<msup><mi>m</mi><mi>'</mi></msup><mi>=</mi><msup><mi>f</mi><mi>-1</mi></msup><mi>[</mi><msup><mi>m</mi><mi>'</mi></msup><mi>]</mi>；

35、式中，<msup><mi>f</mi><mi>-1</mi></msup><mi>[ ]</mi>表示逆快速傅里叶变换，为经过频率域处理后的特征图。

36、进一步的，所述特征提取模块使用树突学习整合的视觉变换器进行图像识别，具体包括以下步骤：

37、步骤p1：线性投影与位置编码，使用线性投影将分割特征图换到特征空间，并添加位置编码，得到编码特征向量；

38、步骤p2：特征提取，使用堆叠的transformer块对编码特征向量进行特征提取，得到全局特征；

39、步骤p3：局部性自注意力机制，在每个transformer块中使用自注意力机制增强局部关注能力，所用公式如下：

40、；

41、；

42、其中，为自掩码矩阵，为可学习参数，、和表示线性投影后的不同特征向量，为激活函数，为转置操作，为逐元素相乘，为局部特征向量，表示全1矩阵，表示单位矩阵，为序列长度，表示无穷大；

43、步骤p4：特征规范化，对输入的分割特征图执行归一化操作，得到归一化特征；

44、步骤p5：突触连接，使用可学习的权重和偏置将归一化特征映射到m个树突分支上，并对每个树突分支应用激活函数，计算每个类别的输出概率，所用公式如下：

45、；

46、其中，为特征规范化操作，为输入的分割特征图，表示类别索引，为树突分支索引，为特征维度索引，表示树突分支数量，为特征维度数量，表示可学习的权重，为偏置值，为分类预测概率。

47、步骤p6：最终输出，整合所有树突分支输出的类别概率，得到最终的分类结果。

48、采用上述方案本发明取得的有益效果如下：

49、（1）针对现有的分割算法在面对低对比度、边界模糊或异质性高的病变区域时，其准确性会有所下降的问题，使用改进的扩散概率模型进行图像分割，该模型使用动态条件编码增强扩散概率模型在医学图像分割中的分步区域注意力，并采用特征频率解析器消除高频噪声成分在医学图像分割中的负面影响，提高现有模型在乳腺癌分子亚型超声图像中分割的有效性，增强图像去模糊能力，提高对异质性高的病变区分割的准确性；

50、（2）针对现有的深度学习模型在训练过程中需要大量的数据、较长的训练时间和有限的可解释性，在乳腺癌分子亚型的识别中的准确率较低的问题，采用树突学习整合的视觉变换器对乳腺癌分子亚型进行识别预测，优化现有特征提取网络的架构，使其提取的图像特征更丰富、更具代表性，采用树突学习模型和视觉变换器建立有效的和生物学上可解释的结构，从而提高超声图像中的乳腺癌分子亚型的识别准确性，并减少模型的训练时间和增强可解释性。