一种基于深度学习的卵巢癌超声图像病理亚型分类方法

本发明涉及医学影像智能分析与计算机辅助诊断的，更具体地说，它涉及一种基于深度学习的卵巢癌超声图像病理亚型分类方法。

背景技术：

1、卵巢癌是威胁女性健康的重要妇科恶性肿瘤，可分为浆液性癌、透明细胞癌、黏液性癌、子宫内膜样癌等病理亚型，不同亚型的治疗方案与预后差异显著，术前精准识别亚型具有重要临床辅助价值。超声检查因无创、实时、经济易推广，是卵巢病变筛查与评估的核心影像手段。但卵巢癌超声图像普遍存在病灶边界模糊、灰度对比度低、斑点噪声明显、亚型影像表现相似的特点，临床亚型判断高度依赖医师经验，主观性强、诊断一致性不足。

2、针对上述问题，传统医学图像分类依赖人工设计特征与传统分类器，在低对比度、结构复杂的卵巢癌超声场景下，特征表达能力有限，分类鲁棒性不足。

3、而现有深度学习方案中，卷积神经网络长于局部特征提取但全局建模不足；transformer全局关联能力强但计算量大、依赖大数据；以mambavision为代表的状态空间模型虽具备高效长序列建模能力，但应用于卵巢癌超声分类时仍存在三点短板：浅层缺乏低对比度病灶的差异化增强机制，细粒度判别特征提取不充分；侧重序列维度建模，对二维多尺度病灶形态刻画不足；深层特征分布波动大，常规归一化方法鲁棒性欠佳，影响模型收敛与泛化性能，难以满足高精度分类的临床需求。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种基于深度学习的卵巢癌超声图像病理亚型分类方法，具有细粒度特征增强显著、多尺度建模精准、训练稳定且分类精度高的优点。

2、本发明的上述技术目的是通过以下技术方案得以实现的，一种基于深度学习的卵巢癌超声图像病理亚型分类方法，包括如下步骤：

3、s1、构建卵巢癌超声图像数据集；

4、s2、构建端到端的dmsg-net分类网络：所述dmsg-net分类网络以mambavision结构为基础骨干网络，整体分为浅层局部特征增强阶段、深层多尺度空间语义建模阶段和分类预测阶段；

5、在所述浅层局部特征增强阶段中嵌入差异感知局部门控聚合模块，用于增强病灶边界、局部纹理与弱对比结构特征；

6、在所述深层多尺度空间语义建模阶段中嵌入多尺度空间引导混合模块，并结合双统计方差引导归一化方法，用于建模病灶区域多尺度空间结构与亚型语义差异，并稳定深层特征分布；

7、s3、采用所述卵巢癌超声图像数据集对所述dmsg-net分类网络进行训练优化，将待分类卵巢癌超声图像输入训练完成的网络，输出各病理亚型的概率分布，取概率最高的类别作为最终病理亚型分类结果。

8、在其中一个实施例中，所述s1包括如下步骤：

9、s11、采集经病理确诊的卵巢癌二维超声图像，裁剪病灶感兴趣区域并完成尺寸归一化，按病理亚型标注类别标签，且按患者级别划分为训练集、验证集与测试集；

10、s12、对所述训练集中样本数量低于预设阈值的病理亚型，采用基于stablediffusion的生成式扩增策略，生成与真实超声图像在病灶纹理、边界形态、灰度分布上具有一致性的补充样本，并以预设比例加入至所述训练集。

11、在其中一个实施例中，所述浅层局部特征增强阶段包含两级依次串联的第一特征提取层级，所述第一特征提取层级由卷积块与所述差异感知局部门控聚合模块依次串联构成；

12、所述深层多尺度空间语义建模阶段包含两级依次串联的第二特征提取层级，所述第二特征提取层级由mambavision mixer结构与所述多尺度空间引导混合模块依次串联构成。

13、在其中一个实施例中，所述差异感知局部门控聚合模块的处理步骤为：

14、输入特征图经归一化层稳定特征分布，再通过1×1卷积完成通道投影；

15、采用全局平均池化提取全局统计信息，计算局部特征响应与全局统计信息的差值，经可学习缩放因子动态调节后，通过gelu非线性激活得到差异增强特征，表示为：

16、

17、

18、其中，gap表示全局平均池化，表示可学习缩放因子，⊙表示逐元素乘法；

19、将所述差异增强特征输入局部门控聚合结构进行特征聚合，获得门控聚合特征；

20、将所述门控聚合特征与所述输入特征图建立残差连接，输出增强后的局部差异特征。

21、在其中一个实施例中，所述局部门控聚合结构的处理步骤为：

22、设置两个并行处理分支，第一分支经1×1卷积完成线性投影，第二分支先经3×3深度可分离卷积捕获邻域上下文信息，再经1×1卷积完成通道投影；

23、所述第一分支和所述第二分支的输出分别经silu激活后进行逐元素门控交互，得到门控交互特征，表示为：

24、

25、

26、

27、将所述门控交互特征经1×1卷积完成通道融合后，输出所述门控聚合特征。

28、在其中一个实施例中，所述多尺度空间引导混合模块的处理步骤为：

29、采用多分支并行结构，各分支分别对应3、5、7三种不同感受野尺度；

30、每个尺度分支内，输入特征经多尺度坐标注意rsga结构完成病灶相关区域的空间响应增强，输出空间增强后的分支特征；

31、每个尺度分支内，所述空间增强后的分支特征经所述双统计方差引导归一化方法与多层感知机处理，获得单尺度语义校准特征；

32、将多个所述单尺度语义校准特征沿通道维度拼接，得到拼接后的特征；

33、所述拼接后的特征经1×1卷积完成跨尺度特征融合，并与所述输入特征建立残差连接，输出深层多尺度空间语义特征，表示为：

34、

35、

36、其中，concat表示通道维度拼接，conv表示卷积融合层。

37、在其中一个实施例中，所述多尺度坐标注意rsga结构的处理步骤为：

38、对所述输入特征分别进行水平方向池化与垂直方向池化，提取双向轴向上下文信息并完成聚合；

39、通过方向解耦的大核条形卷积对聚合后的轴向特征进行处理，再经sigmoid函数归一化，生成空间校准权重，表示为：

40、

41、

42、其中,为水平方向池化，为垂直方向池化，为sigmoid函数，、分别为1×k与k×1条形卷积;

43、所述空间校准权重与所述输入特征逐元素相乘，得到所述空间增强后的分支特征。

44、在其中一个实施例中，所述双统计方差引导归一化方法的处理步骤为：

45、设置批量归一化主分支与统计引导分支；

46、所述批量归一化主分支对输入特征执行批量归一化，输出稳定的基础特征表达；

47、所述统计引导分支分别提取所述输入特征的全局均值统计量与全局方差统计量，两类统计量分别输入全连接层、gelu激活层、全连接层组成的非线性映射结构进行独立处理后融合，再经sigmoid函数生成通道级引导权重；

48、利用所述通道级引导权重校准全局统计特征，以残差方式叠加到所述批量归一化主分支的输出上，得到最终归一化特征，表示为：

49、

50、

51、在其中一个实施例中，所述分类预测阶段由二维全局平均池化层与线性分类层串联组成；

52、所述二维全局平均池化层承接所述深层多尺度空间语义建模阶段的输出特征，用于将二维特征图压缩为一维全局特征向量；

53、所述线性分类层接入所述一维全局特征向量，其输出维度与所述病理亚型的类别数量一一对应。

54、上述一种基于深度学习的卵巢癌超声图像病理亚型分类方法，具有以下有益效果：

55、其一，构建基于mambavision定制改进的端到端分类网络，通过分层递进的特征增强机制适配临床分类需求，有效克服现有通用视觉模型对卵巢癌超声场景适配性不足的缺陷，显著降低不同病理亚型间的误分类率，全面提升分类准确率与综合判别性能；

56、其二，通过嵌入浅层的差异感知局部门控聚合模块，基于局部特征响应与全局统计信息的差异计算抑制背景干扰与斑点噪声，精准增强病灶边界、弱对比纹理等细粒度判别特征，有效弥补浅层细粒度特征提取不充分的问题；

57、其三，通过嵌入深层的多尺度空间引导混合模块，以多感受野并行的空间校准与跨尺度融合机制，精准刻画不同病理亚型的病灶尺寸、形态结构差异，有效弥补原生状态空间模型对二维多尺度病灶特征刻画能力不足的短板；

58、其四，结合双统计方差引导归一化方法，在保留批量归一化收敛速度优势的基础上，通过全局均值与方差双统计量的动态校准，缓解深层网络特征分布波动问题，提升训练收敛稳定性与模型泛化性能。