基于深度判別性特征學習的醫學影像分析方法

張麗 閆鑫 李敏

【摘要】 醫學影像是臨床診斷的重要工具， 對醫學影像進行自動分析能夠提高醫生的工作效率， 減少由主觀經驗引起的診斷誤差。特征提取是影像自動分析體系中的關鍵環節， 對最后疾病診斷的精度具有重要的影響。然而， 現有的方法忽略了特征的判別性信息。現有特征主要是利用病灶的低級特征， 例如紋理、邊緣等信息， 雖然能夠對病灶的主要特點進行表示， 但是忽略了病灶之間的判別性， 降低了識別性能。針對該問題， 本文研究了一種基于深度判別性特征（DDC）學習的醫學影像方法， 提出了一種新的模型雙路字典編碼卷積神經網絡來學習語義描述碼和判別性描述碼。引入圖像區塊（patch）劃分層， 生成大量的局部patch圖像， 從而為模型的訓練提供充足的數據。引入字典編碼層和分類層， 加快特征學習速度， 提高識別精度。提出的方法用在乳腺腫瘤識別， 實驗結果表明提出的方法在識別效果上優于傳統方法。

【關鍵詞】 模式識別;醫學影像分析;特征提取;深度學習

DOI：10.14163/j.cnki.11-5547/r.2020.10.088

【Abstract】 Medical image is an important tool for clinical diagnosis. Automatic analysis of medical images can improve the efficiency of doctors and reduce diagnostic errors caused by subjective experience. Feature extraction is a key step in the medical image analysis， and has an important impact on the accuracy of the final disease diagnosis. However， the discriminative information of the feature is ignored. In order to tackle this problem， this paper proposes a medical image analysis based on deep discriminative characteristics （DDC） learning. A novel two-way dictionary code convolutional neural network is proposed to learn discriminative code. The patch extraction layer is introduced to generate a large number of local patch images， thus providing sufficient data for the training of the model. Introducing dictionary code layers and classification layers to speed up feature learning and improve recognition performance. The proposed method is used for breast tumor recognition. Experimental Results ?show that the proposed method is superior to traditional Methods ?in recognition effect.

【Key words】 Pattern recognition; Medical image analysis; Feature extraction; Deep learning

乳腺癌是現在致死率較高的惡性癌癥之一。紋理特征是乳腺腫瘤分類最為常用、重要的特征[1， 2]。局部二進制模式 （local binary patterns， LBP）是最常用的紋理特征， 已經被用于進行乳腺超聲分類[3]。許多基于灰度共生矩陣的紋理特征也是常用的乳腺腫瘤分類特征[4-8]。近年來， 為了獲得更有效的紋理特征， 許多研究將焦點放在圖像變換上?？紤]到小波變換的時間頻域的有效性， 先進行小波變換， 然后提取基于紋理和序統計特性的特征， 取得了較好的結果?！?br>