一种基于轴向调制与频率解耦的乳腺肿块检测方法和系统
本发明涉及一种基于轴向调制与频率解耦的乳腺肿块检测方法和系统,属于人工智能。
背景技术:
1、乳腺癌是导致女性死亡的主要恶性肿瘤之一,早期发现和准确诊断可以有效提高乳腺癌患者的生存率。乳腺x光摄影是最常用的筛查手段,但由于乳腺x光图像主要依赖组织密度间差异成像,阅片过程面临巨大挑战:乳腺肿块与周围组织间对比度低、边界模糊且形状不规则,不同患者病灶尺寸差异大,增加了人工诊断漏诊率。
2、近年来,深度学习技术如yolo系列、retinanet等在乳腺病灶的自动化定位中广泛应用。然而,传统基于cnn的方法仍受限于局部感受野,难以捕捉病灶与周围大范围乳腺组织的语义联系;此外,深层网络中低对比度微小肿块的边缘和纹理特征极易丢失 。同时,传统的单阶段检测器在分类任务与回归定位任务之间存在特征需求冲突,导致空间特征不对齐,限制了复杂病灶的检测精度。
3、有鉴于此,确有必要提出一种基于轴向调制与频率解耦的乳腺肿块检测方法,以解决上述问题。
技术实现思路
1、本发明目的在于针对上述现有乳腺肿块检测技术中特征提取不充分、多尺度融合易混叠以及检测头任务不对齐的缺陷和问题,提供一种基于轴向调制与频率解耦的单阶段乳腺肿块检测方法,该方法在特征提取的关键层级设计了轴向全局-局部调制模块aglm,通过并行的局部梯度聚合与正交轴向长距离感知,结合空间动态门控机制,使得网络能够在极低的计算和参数开销下,自适应地在明显边缘区域依赖高频几何细节、在模糊重叠区域依赖广阔的宏观组织上下文,能够有效解决低对比度微小肿块易漏检的问题。
2、本发明解决其技术问题所采用的技术方案是:一种基于轴向调制与频率解耦的单阶段乳腺肿块检测方法,该方法包括以下步骤:
3、步骤1,获取乳腺x光图像数据集并进行预处理,通过预处理后的样本数据集对所构建的单阶段乳腺肿块检测网络模型amfd-retinanet进行训练;
4、步骤2,通过所述检测模型的骨干网络对输入图像进行初步特征提取,在所述基于repvgg的骨干网络的关键层级输出节点后接入轴向全局-局部调制模块aglm,利用平行的局部纹理精炼与正交轴向长距离建模提取特征,并通过动态门控机制进行自适应调制,得到多尺度特征图;
5、步骤3,通过所述检测模型的特征金字塔网络fpn接收多尺度特征图进行跨尺度融合,在特征融合阶段对每个输出层加入混合特征提取模块hfem,基于频率域解耦思想分别提取低频全局语义特征与高频局部边缘特征,并进行掩码互补处理,输出融合消除语义混叠的特征图;
6、步骤4,通过所述检测模型的检测头网络对融合后的特征图进行目标识别,利用实例特定非对称解耦头isadh接收所述特征图,通过自适应的特征动态路由机制分配特征流至非对称的双轨拓扑结构中,并行输出每个锚框对应的乳腺肿块类别置信度得分与空间边界框坐标偏置。
7、优选地,本发明所述步骤2中,repvgg由多个repvgg stage串联完成特征提取。在每个repvgg stage开始前,首先通过一个repdownblock进行初始特征处理与空间降采样,然后级联n个连续的repblock进行深层特征的非线性映射。对于repdownblock,输入特征被分流至两个平行分支,分别经过卷积与bn的组合,以及卷积与bn的组合。两路特征在末端进行逐元素相加后,通过relu激活函数输出。对于repblock,repblock在repdownblock的基础上进一步扩展为三分支结构:除了包含卷积分支与卷积分支外,还额外引入了一条仅包含bn层的恒等映射分支。这三路特征最终同样经过逐元素相加与relu激活。
8、优选地,本发明所述步骤2中,轴向全局-局部调制模块aglm将输入的多尺度特征图分配给两个平行的特征提取路径:局部纹理分支和全局轴向建模分支;
9、所述局部纹理分支首先采用深度可分离卷积对空间局部梯度变化进行聚合,然后经过逐点卷积进行跨通道信息的整合,最后依次通过批量归一化bn与gelu激活函数完成非线性映射,输出局部特征。该过程的计算公式如下:
10、
11、式中,为局部特征的最终输出,为输入的多尺度特征图,表示核尺寸为的深度可分离卷积层,表示核尺寸为的逐点卷积层,表示批量归一化操作,代表gelu激活函数。
12、所述全局轴向建模分支首先经过卷积投影进行通道维度减半,然后分别利用垂直卷积与水平卷积进行正交的轴向扫描,将水平与垂直方向的特征拼接后,经特征融合与升维投影卷积整合通道信息,再依次通过批量归一化bn与gelu激活函数恢复至原通道数,输出全局特征。该过程的计算公式如下:
13、
14、
15、式中,为降维后的投影特征,为最终的全局特征输出,为输入的多尺度特征图,与分别代表垂直与水平方向的大核深度卷积,表示在通道维度上的拼接操作,为拼接后的特征,为的特征融合与升维投影卷积。
16、优选地,本发明所述步骤2中,轴向全局-局部调制模块aglm引入动态门控融合机制,具体计算过程如下:
17、首先,通过一个卷积层与sigmoid激活函数,根据原输入特征图生成空间门控权重矩阵:
18、
19、式中,为sigmoid激活函数。
20、然后,所述局部特征与所述全局特征通过该门控权重矩阵进行加权调制,得到调制后的融合特征:
21、
22、式中,为逐元素相乘。
23、接着,调制后的融合特征采用残差结构与输入特征图相加:
24、
25、随后,送入前馈网络ffn,以进行深层非线性特征提纯。ffn的数学表达式为:
26、
27、式中,代表gelu激活函数;代表的升维卷积;代表的降维投影卷积。
28、最后,输出结果的完整数学表达为:
29、
30、优选地,所述步骤3中,混合特征提取模块hfem将输入特征分配给基于transformer的低频全局语义建模分支与基于cnn的高频边缘纹理分支;
31、本发明所述基于transformer的低频全局语义建模分支将输入特征映射为查询矩阵、键矩阵和值矩阵;引入线性注意力机制,利用relu激活函数作为核函数对查询矩阵和键矩阵进行非负映射;优先计算键矩阵与值矩阵的点积聚合生成全局上下文矩阵,再将该上下文矩阵与查询矩阵相乘并乘以特征缩放因子,重构出低频全局语义特征:
32、
33、式中,代表relu激活函数;为矩阵的通道维度,用于防止内积数值过大导致的梯度不稳定。计算完成后的将被重新变形回的空间维度。
34、本发明所述基于cnn的高频边缘纹理分支采用深度可分离卷积对输入特征进行局部感受野内的微观特征聚合,经由批量归一化bn与逐点卷积进行跨通道整合,并采用sigmoid激活函数生成取值处于0至1之间的高频显著性边缘掩码。
35、
36、式中,表示输入的特征图,代表sigmoid激活函数,表示核尺寸为的逐点卷积层,表示批量归一化操作,表示核尺寸为的深度可分离卷积层。
37、本发明所述混合特征提取模块hfem在双分支特征提取完成后,利用所述基于cnn分支提取的高频显著性边缘掩码,对所述基于transformer分支生成的低频全局语义特征进行逐像素的空间过滤互补计算:
38、
39、式中,为逐元素相乘,表示过滤后得到的特征。
40、过滤后的特征通过输出投影层,并采用带有可学习标量因子的残差结构与原始输入特征进行融合输出:
41、
42、式中,表示输出投影层,表示可学习的标量因子。
43、优选地,本发明所述步骤4中,实例特定非对称解耦头isadh包含共享主干层与实例引导模块igm;
44、所述共享主干层通过连续的卷积、批量归一化bn与relu激活函数,提取基础的共享语义表征:
45、
46、式中,代表共享卷积,代表relu激活函数。
47、所述实例引导模块igm对感受野内的特定病灶响应动态生成空间分配权重,将所述共享语义表征映射为一个逐像素的双通道空间门控矩阵:
48、
49、式中,代表用于生成路由掩码的卷积,是沿着通道维度操作以确保全部空间像素的分配概率之和为1。
50、本发明所述实例引导模块igm对共享语义表征施加自适应实例级调制,将分类掩码和回归掩码分别与共享语义表征进行逐元素相乘,并加上零中心化平移常数,在特征空间上将分类信息与回归信息有效分离:
51、
52、
53、本发明所述实例特定非对称解耦头isadh根据分离后的特征信息进入非对称的双轨拓扑结构;
54、本发明所述非对称的双轨拓扑结构包含分类分支与回归分支;
55、本发明所述分类分支采用包含连续空洞卷积层的拓扑链路,并引入一条全局语义旁路,利用gap提取全局特征向量并经由全连接网络mlp注入回主干:
56、
57、式中,代表连续的空洞卷积层,代表全连接网络,代表全局平均池化操作。
58、本发明所述回归分支采用两个标准卷积层的浅层结构,并在链路末端级联坐标注意力模块,分别沿着水平和垂直方向独立捕捉病灶边界的空间分布特性:
59、
60、式中,代表两个卷积层,代表坐标注意力模块。
61、分类分支与回归分支末端分别连接预测卷积层输出结果。
62、优选地,本发明所述步骤4中,模型训练采用的分类损失函数为focal loss,用于缓解正负样本比例失衡并促使网络专注优化难检出的微弱病灶,其计算公式为:
63、
64、式中,代表模型对真实类别的预测概率。越低,表明该样本越难被正确分类;代表聚焦参数,通过动态调整样本的损失权重,迫使网络专注优化难检出的微弱病灶;代表平衡参数,用于缓解正负样本比例失衡。
65、本发明模型训练采用的回归损失函数为ciou损失函数,其计算公式为:
66、
67、式中,代表预测框与真实病灶边界框的交集面积与并集面积之比;代表中心点欧氏距离,在乳腺影像中,该项能够引导模型快速定位到肿块的核心区域;代表能够同时包含预测框和真实框的最小外接矩形的对角线长度;代表长宽比惩罚项,用于约束预测框与真实框的几何形态一致性。
68、本发明还提出了一种基于轴向调制与频率解耦的乳腺肿块检测系统,该系统包括:输入单元,用于输入待检测的乳腺x线图像数据;模型预测单元,内置上述单阶段乳腺肿块检测网络模型amfd-retinanet;其中骨干网络通过集成轴向全局-局部调制模块aglm增强对隐匿致密背景中不规则微小病灶的感知敏感度;特征金字塔网络通过集成混合特征提取模块hfem消除上采样带来的语义混叠并抑制致密腺体背景噪声;检测头网络通过集成实例特定非对称解耦头isadh实现分类与回归特征的空间对齐;输出单元,用于解析模型预测单元的输出,在原图像上生成并显示目标乳腺肿块的类别置信度得分及高精度的边界框坐标。
69、有益效果:
70、本发明在特征提取的关键层级设计了轴向全局-局部调制模块aglm,通过并行的局部梯度聚合与正交轴向长距离感知,结合空间动态门控机制,能够使得网络能够在极低的计算和参数开销下,自适应地在明显边缘区域依赖高频几何细节、在模糊重叠区域依赖广阔的宏观组织上下文,有效解决了低对比度微小肿块易漏检的难题。
71、本发明在多尺度融合阶段设计了混合特征提取模块hfem,从频率域解耦的视角切入,利用cnn路径提取的高频显著性边缘掩码,能够对transformer路径生成的低频全局宏观语义特征进行逐像素的空间过滤和掩码互补,这不仅成功消除了跨层级上采样操作带来的多尺度语义特征混叠,而且极大增强了网络剥离恶劣噪声和致密腺体组织背景干扰的能力,大幅抑制了背景噪声引发的假阳性虚警。
72、本发明在检测头部分创新设计了实例特定非对称解耦头isadh,通过实例引导模块igm动态路由机制,将共享特征流精准分发至非对称的双轨拓扑链路,这种设计同时满足了分类任务的平移不变性需求与回归任务的空间方差敏感度需求,很好地实现了类别置信度与病灶边界框的高度拟合,生成贴合病灶真实不规则轮廓的高精度预测边界框。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com