佘芙蓉，易倫朝，羅曉茂，李玲蘭，易三莉**

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；2.昆明理工大學(xué) 云南省計(jì)算機(jī)技術(shù)應(yīng)用重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500；3.昆明理工大學(xué) 食品科學(xué)與工程學(xué)院，云南 昆明 650500；4.云南省腫瘤醫(yī)院 超聲醫(yī)學(xué)科，云南 昆明 650118)

乳腺癌已經(jīng)超越肺癌成為世界上發(fā)病率最高的癌癥，高危人群定期做乳腺檢查有助于及時(shí)發(fā)現(xiàn)疾病[1-2].超聲為臨床乳腺疾病檢查提供了必要的影像學(xué)信息，成為篩查及診斷乳腺疾病的常規(guī)手段[3].如果僅對(duì)乳腺腫瘤簡(jiǎn)單地進(jìn)行良惡性分類(lèi)，那么醫(yī)生無(wú)法詳細(xì)掌握患者病情的發(fā)展?fàn)顩r而做進(jìn)一步的診療.美國(guó)放射學(xué)會(huì)提出的乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)（Breast Image Reporting and Data System，BIRADS）[4]使描述和評(píng)價(jià)乳腺病灶特征的術(shù)語(yǔ)趨于規(guī)范化，對(duì)惡性乳腺腫瘤進(jìn)行詳細(xì)分級(jí)，顯著提高了乳腺疾病診斷的準(zhǔn)確率[5]，更能滿足臨床需求.

BI-RADS 分級(jí)標(biāo)準(zhǔn)依據(jù)乳腺的病變性質(zhì)分為7 級(jí)，其中0～2 無(wú)惡性病灶的可能，3 類(lèi)病灶的惡性概率范圍為0～2%，4 類(lèi)又分為3 個(gè)亞分類(lèi)4a～4c，4a 類(lèi)為惡性的概率范圍為2%～10%，4b 為惡性的概率范圍為10%～50%，4c 為惡性的概率范圍50%?95%，5 類(lèi)為惡性的概率≥95%，6 類(lèi)基本斷定為惡性[6]，即BI-RADS 3、4a、4b、4c、5 都存在惡性腫瘤的可能.而乳腺病灶在臨床超聲表現(xiàn)上有復(fù)雜性和交叉性[7]，會(huì)增加影像科醫(yī)生的誤診率，所以按照BI-RADS 中惡性可能存在的范圍對(duì)乳腺病灶分類(lèi)是非常有必要的[8-10].

深度學(xué)習(xí)成為近年來(lái)的研究熱點(diǎn)，主要得益于卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）的快速發(fā)展.LeNet[11]是早期CNN 中的一個(gè)模型，它由卷積層、池化層和全連接層簡(jiǎn)單組合而成.之后，Krizhevsky 等[12]提出了AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)，它將ReLU、Dropout 成功用于CNN 中，并在當(dāng)時(shí)的圖像分類(lèi)競(jìng)賽中取得了最優(yōu)的成績(jī).后來(lái)，Szegedy等[13]提出Inception 結(jié)構(gòu)，通過(guò)多分支的連接增加網(wǎng)絡(luò)寬度，從而對(duì)圖像特征進(jìn)行多尺度提取，極大提高了網(wǎng)絡(luò)的性能.Xception 網(wǎng)絡(luò)[14]中提出深度可分離卷積，它基于Inception-V3 模塊將通道和空間進(jìn)行分開(kāi)映射形成了深度可分離卷積，使其具有更強(qiáng)的特征提取能力.分類(lèi)算法的研究為各個(gè)領(lǐng)域的識(shí)別應(yīng)用奠定了基礎(chǔ)[15-17].

基于深度學(xué)習(xí)的自動(dòng)分類(lèi)方法相比人工分類(lèi)更加快速準(zhǔn)確，在醫(yī)學(xué)圖像方面的研究取得許多顯著成果[18-19]，同樣在乳腺疾病智能診斷中的應(yīng)用也越來(lái)越廣泛.如Jiao 等[20]通過(guò)構(gòu)造簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)和一個(gè)決策機(jī)制對(duì)乳腺腫瘤進(jìn)行良惡性分類(lèi)，在DDSM 數(shù)據(jù)集獲得的準(zhǔn)確率為96.7%；Zhuang等[21]首先使用VGG16 遷移學(xué)習(xí)提取出IOI，然后使用YOLO-V2 遷移學(xué)習(xí)剪裁感興趣圖像(Images of Interest,IOI)，最后用3 個(gè)CNN 網(wǎng)絡(luò)提取感興趣區(qū)域(Region of Interest,ROI)中的特征進(jìn)行分類(lèi)，用較為完整的實(shí)驗(yàn)流程實(shí)現(xiàn)了乳腺腫瘤良惡性的自動(dòng)分類(lèi).李趙旭等[22]基于Inception 改進(jìn)算法對(duì)乳腺腫瘤病理圖像進(jìn)行良惡性分類(lèi)，實(shí)驗(yàn)準(zhǔn)確率達(dá)到96%.目前，許多研究者采用深度學(xué)習(xí)技術(shù)主要對(duì)乳腺癌進(jìn)行良惡性的分類(lèi)，然而在實(shí)際臨床應(yīng)用中這樣簡(jiǎn)單粗糙的分類(lèi)很容易導(dǎo)致影像科醫(yī)生對(duì)患者的病情出現(xiàn)誤診，很難滿足臨床實(shí)際需求.

針對(duì)上述問(wèn)題，為了進(jìn)一步解決對(duì)患者病情嚴(yán)重程度的分級(jí)問(wèn)題，本文基于深度學(xué)習(xí)提出了一種神經(jīng)網(wǎng)絡(luò)算法TDS-Net，將乳腺惡性腫瘤根據(jù) BIRADS 進(jìn)行分級(jí).該網(wǎng)絡(luò)融合了可行變卷積[23]、空洞卷積[24]、深度可分離卷積[25]和SENet[26]的優(yōu)點(diǎn)，能夠有效地對(duì)低分辨率的乳腺超聲圖像進(jìn)行識(shí)別并提取有效特征，進(jìn)一步體現(xiàn)惡性腫瘤的病變程度，實(shí)現(xiàn)BI-RADS 3、4a、4b、4c、5 級(jí)的五分類(lèi).

1 TDS-Net

本文提出一種基于深度學(xué)習(xí)的乳腺超聲圖像BI-RADS 五分類(lèi)方法，如圖1 所示.第一部分是數(shù)據(jù)預(yù)處理，包括對(duì)從云南省腫瘤醫(yī)院獲得的原始圖像進(jìn)行ROI 裁剪和數(shù)據(jù)增強(qiáng).第二部分是核心網(wǎng)絡(luò)TDS-Net，預(yù)處理后的數(shù)據(jù)被送入TDS-Net，進(jìn)行提取特征完成BI-RADS 3、4a、4b、4c、5 級(jí)的五分類(lèi).

圖1 乳腺超聲圖像的BI-RADS 診斷流程Fig.1 BI-RADS diagnostic process of breast ultrasound images

1.1 數(shù)據(jù)來(lái)源本文使用的數(shù)據(jù)集來(lái)自云南省腫瘤醫(yī)院超聲醫(yī)學(xué)科提供的二維超聲乳腺圖像，由資深放射科醫(yī)生通過(guò)GE Healthcare LOGIO E9、Supersonic Aixplorer V 兩臺(tái)設(shè)備采集.收集了自2019 年至2021 年884 名患者的3 753 張乳腺超聲圖像.每類(lèi)數(shù)據(jù)具體分布情況如表1 所示.每幅超聲圖像都是由專(zhuān)業(yè)醫(yī)師整理超聲記錄和病理報(bào)告得到.

表1 實(shí)驗(yàn)數(shù)據(jù)結(jié)構(gòu)Tab.1 The data structure of experimental

1.2 數(shù)據(jù)預(yù)處理為了排除無(wú)用信息的干擾，便于網(wǎng)絡(luò)訓(xùn)練，圖像被以腫瘤為中心剪裁，去除背景等無(wú)用信息.實(shí)驗(yàn)前把所有超聲圖像進(jìn)行等比例縮放成224 像素×224 像素以減少運(yùn)算量，并將所有像素值除以255 歸一化在[0，1]，讓圖像像素分布穩(wěn)定使得圖像之間有可比性，且便于模型收斂.剪裁前后圖像的示例如圖2 所示.

圖2 乳腺超聲圖像示例Fig.2 Examples of breast ultrasound images

1.3 網(wǎng)絡(luò)模型 TDS-Net超聲圖像因其成像機(jī)理使得圖像模糊且?guī)в性S多噪聲點(diǎn)，導(dǎo)致病灶識(shí)別率較低[27]，為了提高分類(lèi)的準(zhǔn)確率，本文基于深度學(xué)習(xí)設(shè)計(jì)了一個(gè)的網(wǎng)絡(luò)并將其命名為T(mén)DS-Net.如圖3 所示，TDS-Net 主要包含DD Module 支路和卷積支路：DD Module 支路主要用于減少超聲圖像中的偽影并提取豐富的局部細(xì)節(jié)信息；卷積支路主要提取全局信息，作為DD Module 支路的信息補(bǔ)充.

圖3 TDS-Net 結(jié)構(gòu)圖Fig.3 The structure of TDS-Net

預(yù)處理后的圖像直接輸入TDS-Net，首先經(jīng)過(guò)卷積核k=7、步長(zhǎng)s=2的卷積Conv2D 提取全局特征，以及s=2的最大池化Maxpooling 進(jìn)行降維.其次將上一步提取的特征圖分別經(jīng)過(guò)DD Moudule支路和卷積支路：DD Moudule 支路主要由DD Moudule 和最大池化構(gòu)成，其中DD Moudule 可以減少超聲中偽影的影響，同時(shí)它的并行分支結(jié)構(gòu)使網(wǎng)絡(luò)更寬，能提取更豐富的局部細(xì)節(jié)信息；卷積支路的第一個(gè)卷積塊k=7用于提取大量的全局特征，其他3 個(gè)卷積塊均由2 個(gè)k=3、s=1的Conv2D 串聯(lián)構(gòu)成，提取的信息可以代替k=5的卷積，并且能夠節(jié)省參數(shù)和提升模型的非線性能力.然后將這兩條支路進(jìn)行融合，由于兩條支路增加了網(wǎng)絡(luò)的深度和寬度，因而對(duì)它們?nèi)诤纤玫降奶卣鲌D包含更豐富的全局和局部特征信息.為了更好地提取融合特征圖中的信息，本文采用SeparableConv2D 和SENet進(jìn)行特征提取.最后使用全連接層Dense 作為分類(lèi)器，實(shí)現(xiàn)BI-RADS 五分類(lèi).

1.3.1 DD Module DD Module 運(yùn)用了Inception并行多分支的思想，增加網(wǎng)絡(luò)的寬度和深度可以提升網(wǎng)絡(luò)的特征提取能力，并且將可行變卷積和不同膨脹率的空洞卷積融入其中.可行變卷積用于捕獲可能出現(xiàn)的形變特征，空洞卷積可以減少超聲圖像中呼吸偽影和探測(cè)運(yùn)動(dòng)偽影，并且通過(guò)使用不同大小和不同膨脹率的空洞卷積捕捉不同尺度特征圖的信息.

如圖4 所示，DD Module 總共包含7 個(gè)并行分支，第一個(gè)分支為卷積核k=1、步長(zhǎng)s=1的傳統(tǒng)卷積Conv2D 和卷積核k=1的可行變卷積De-Conv2D串行連接；第二個(gè)分支為最大池化層Maxpooling和k=1、s=1的Conv2D 串行連接，Maxpooling 在增加模型非線性的同時(shí)還可以保留特征圖的細(xì)節(jié)信息；第三個(gè)分支僅為一個(gè)k=1、s=1的Conv2D用于特征提?。坏谒?、五個(gè)分支分別為k=1、s=1的Conv2D 和k=3、膨脹率r=1以及k=3、r=2的空洞卷積D-Conv2D 串行；第六、七個(gè)分支分別為k=1、s=1的 Conv2D 和k=5、r=1以及k=5、r=2的D-Conv2D 串行.特別地，除了Maxpooling，每個(gè)模塊后都有一個(gè)批歸一化模塊BN 用于防止過(guò)擬合，且每一個(gè)k=1的Conv2D 在可以增加模型的線性能力的同時(shí)還能減少參數(shù).特征圖經(jīng)過(guò)7 個(gè)分支后通過(guò)concatenate 拼接，實(shí)現(xiàn)多種特征的融合.

圖4 DD Module 結(jié)構(gòu)圖Fig.4 The structure of DD Module

1.3.2 深度可分離卷積 深度可分離卷積在MobileNet 中被用作代替?zhèn)鹘y(tǒng)的普通卷積.因?yàn)殡S著網(wǎng)絡(luò)的加深，模型參數(shù)量的增加會(huì)對(duì)運(yùn)行環(huán)境的儲(chǔ)存和計(jì)算造成壓力，而逐通道卷積和逐點(diǎn)卷積可以實(shí)現(xiàn)模型的輕量化.深度可分離卷積比傳統(tǒng)卷積層數(shù)更多，模型的非線性能力更強(qiáng)，即增強(qiáng)網(wǎng)絡(luò)對(duì)超聲圖像的特征提取能力.具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示.

圖5 深度可分離卷積結(jié)構(gòu)圖Fig.5 The structure of depthwise separable convolution

首先逐通道卷積將輸入通道數(shù)為C1的特征圖與C1個(gè)卷積核分別卷積得到C1個(gè)特征圖，相比于傳統(tǒng)卷積減少了通道間的相互關(guān)聯(lián)性；然后逐點(diǎn)卷積利用C2個(gè) 1×1×C1的卷積核將逐通道卷積后的C1個(gè)特征圖相關(guān)聯(lián)，把不同通道在相同空間位置上的信息融合在一起，得到通道數(shù)為C2的輸出特征圖.將傳統(tǒng)卷積輸入特征圖大小記為M，通道數(shù)為C1,卷積核大小為KM，則要得到C2個(gè)輸出特征圖的計(jì)算量為：KMKMC1MM.使用深度可分離卷積的計(jì)算量為：KMKMC1MM+C1C2MM.兩者之比為：

KM本文取為3，C2一般較大.可以看出深度可分離卷積的計(jì)算量是傳統(tǒng)卷積的1/9左右，計(jì)算量大大減少.且兩次的分開(kāi)卷積增加了非線性，增強(qiáng)了網(wǎng)絡(luò)對(duì)超聲圖像深層特征的提取能力.

1.3.3 注意力機(jī)制 SENet 的主要思想是通道的注意力機(jī)制，它通過(guò)學(xué)習(xí)獲取每個(gè)特征通道的重要程度，然后按照重要程度保留有用特征的權(quán)重，減弱無(wú)用特征的權(quán)重.在超聲圖像識(shí)別問(wèn)題中，將其放在模型的最深處用于針對(duì)病癥特征做最后的信息提取.其模塊如圖6 所示.

圖6 SENet 結(jié)構(gòu)圖Fig.6 The structure of SENet

如圖6 所示，輸入特征圖首先通過(guò)全局平均池化，沿著通道方向?qū)μ卣鲌D進(jìn)行壓縮，使特征圖成為1 ×1×C的實(shí)數(shù)序列；其次讓該序列通過(guò)一個(gè)降維的全連接層和升維的全連接層，降維系數(shù)r=16，可以限制模型的復(fù)雜度和輔助泛化；然后使用Sigmoid 將值映射到0～1，實(shí)現(xiàn)對(duì)通道的重要程度打分；最后將此分?jǐn)?shù)與原始的輸入超聲特征圖相乘，實(shí)現(xiàn)對(duì)乳腺超聲圖像高階重要通道特征信息的提取.

2 實(shí)驗(yàn)及結(jié)果

2.1 實(shí)驗(yàn)環(huán)境本文使用Pycharm 作為編譯器，編程語(yǔ)言Python，實(shí)驗(yàn)框架為 Keras 和Tensorflow，硬件環(huán)境為Inter(R)CoreTM i9-10900k CPU@3.7 GHz，32.0 GB RAM，顯卡為NVIDIA GeForce RTX2080，64 位Windows 操作系統(tǒng).

2.2 評(píng)價(jià)指標(biāo)本文采用準(zhǔn)確率A、精準(zhǔn)率P、F1值對(duì)乳腺超聲圖像識(shí)別結(jié)果進(jìn)行評(píng)估，計(jì)算公式如下：

式中：TP表示正樣本被模型預(yù)測(cè)為正，TN表示負(fù)的樣本被模型預(yù)測(cè)為負(fù)，F(xiàn)P表示負(fù)的樣本被模型預(yù)測(cè)為正，F(xiàn)N表示正樣本被模型預(yù)測(cè)為負(fù).由于本實(shí)驗(yàn)為五分類(lèi)的實(shí)驗(yàn)且樣本不均衡，因此需要對(duì)準(zhǔn)確率、精準(zhǔn)率、F1分?jǐn)?shù)作加權(quán)平均.加權(quán)平均后3 個(gè)指標(biāo)的計(jì)算公式如下：

式中：Nk為1～5 類(lèi)的樣本數(shù)，P為總樣本數(shù)，Nk/P為該類(lèi)別占總樣本的比例.

2.3 實(shí)驗(yàn)結(jié)果

2.3.1 實(shí)驗(yàn)1 該實(shí)驗(yàn)利用云南省腫瘤醫(yī)院提供的數(shù)據(jù)驗(yàn)證所提算法的可行性，由于截至目前還未發(fā)現(xiàn)用深度學(xué)習(xí)方法對(duì)BI-RADS 的3、4a、4b、4c、5 分類(lèi)研究的文學(xué)報(bào)道.所以為了驗(yàn)證本文算法的有效性，我們?cè)趯?shí)驗(yàn)1 中將本文所提算法與目前公認(rèn)分類(lèi)效果較好的幾種模型進(jìn)行對(duì)比.這些對(duì)比算法包括：ResNet101[28]、GoogLeNet、DenseNet201[29]、Xception、MobileNet.實(shí)驗(yàn)結(jié)果如表2 所示.

表2 實(shí)驗(yàn)1 中各算法的準(zhǔn)確率、精準(zhǔn)率、F1 值結(jié)果Tab.2 The results of accuracy,precision and F1 score of each algorithm in experiment 1 %

從表2 中可以看出TDS-Net 的準(zhǔn)確率、精準(zhǔn)率、F1 值均高于對(duì)比的其他分類(lèi)算法.雖然所提算法中的DD Module 與GoogLeNet 中的Inception 同樣是運(yùn)用并行分支的思路，但是TDS-Net 的準(zhǔn)確率、精準(zhǔn)率和F1 值仍然比GoogLeNet 高出0.40、0.44和0.40 個(gè)百分點(diǎn).證明了算法在該臨床數(shù)據(jù)集上分類(lèi)效果的優(yōu)越性.

AUC 值能夠直觀反映分類(lèi)模型的分類(lèi)性能，其為ROC 曲線下的面積，值越大越好.因此，本文使用AUC 值驗(yàn)證TDS-Net 的分類(lèi)性能，AUC 值越接近1 則可以說(shuō)明分類(lèi)結(jié)果越好.所有算法的ROC 如圖7 所示，對(duì)比各種算法可知本文算法[圖7（f）]的結(jié)果最優(yōu).它的3、4a、4b、4c、5 類(lèi)TDS-Net 的AUC 值分別為0.97、0.97、0.96、0.94、0.96，其中4c 和5 類(lèi)的AUC 值低于GoogLeNet 算法所得AUC 值的0.1，其他類(lèi)均是所有算法中的最高值，綜合考慮認(rèn)為T(mén)DS-Net 具有較好的識(shí)別能力.

圖7 實(shí)驗(yàn)1 中各算法測(cè)試所得的ROCFig.7 ROC comparison of different algorithm in experiment 1

混淆矩陣為可視化工具，不但能夠衡量一個(gè)分類(lèi)的準(zhǔn)確程度，還能清晰直觀地展示算法對(duì)數(shù)據(jù)分類(lèi)能力.混淆矩陣中主對(duì)角線表示每一類(lèi)被正確分類(lèi)的個(gè)數(shù)，主對(duì)角線相加數(shù)值越大，說(shuō)明模型對(duì)整體數(shù)據(jù)的分類(lèi)能力越好.所有算法的混淆矩陣如圖8 所示，圖8（f）是本文算法的混淆矩陣，可以看出3 類(lèi)182 幅測(cè)試圖像中176 幅被正確分類(lèi)，6 幅被錯(cuò)誤分到其他類(lèi)；4a 類(lèi)245 幅測(cè)試圖像中238 幅被正確分類(lèi)，7 幅被錯(cuò)誤分為其他類(lèi)；107 幅4b 類(lèi)測(cè)試圖像中99 幅被正確分類(lèi)，8 幅被錯(cuò)誤分為其他類(lèi)；4c 類(lèi)145 幅測(cè)試圖像中126 幅被正確分類(lèi)，19 幅被錯(cuò)誤分為其他類(lèi)；5 類(lèi)76 幅測(cè)試圖像中72幅被正確分類(lèi)，4 幅被錯(cuò)誤分為其他類(lèi).對(duì)比其他算法，TDS-Net 的4c 類(lèi)正確分類(lèi)數(shù)少于GoogLeNet的3 幅.綜合評(píng)估，本文所提算法TDS-Net 的分類(lèi)效果最優(yōu).

圖8 實(shí)驗(yàn)1 中各算法測(cè)試所得的混淆矩陣Fig.8 Comparison of confusion matrix of different algorithm in experiment 1

2.3.2 實(shí)驗(yàn)2 為了進(jìn)一步驗(yàn)證本算法的適用性，本文用公共數(shù)據(jù)集BUSI[30]和S1_Data[31]驗(yàn)證該算法.由于這兩個(gè)數(shù)據(jù)集中只有良惡性標(biāo)簽是共有的標(biāo)簽，所以這一節(jié)中做了乳腺超聲圖像良惡性的二分類(lèi)實(shí)驗(yàn)，并將本文算法與上文所述網(wǎng)絡(luò)進(jìn)行比較.由于這兩個(gè)數(shù)據(jù)集的數(shù)據(jù)量較少，直接實(shí)驗(yàn)容易造成過(guò)擬合.所以同樣對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理：首先，將兩個(gè)數(shù)據(jù)集的數(shù)據(jù)進(jìn)行融合，以增加原始數(shù)據(jù)的數(shù)據(jù)量；其次，雖然融合增加了數(shù)據(jù)量，但仍然不夠，因此，對(duì)數(shù)據(jù)以旋轉(zhuǎn)15°、45°、90°以及水平翻轉(zhuǎn)的方式進(jìn)行擴(kuò)增，原數(shù)據(jù)及數(shù)據(jù)擴(kuò)增結(jié)果如表3 所示.

同樣這里用ResNet101、GoogLeNet、DenseNet-201、Xception、MobileNet 作為對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)的準(zhǔn)確率、精準(zhǔn)率、F1 值如表4 所示.從表4 中可以看出TDS-Net 的準(zhǔn)確率、精準(zhǔn)率、F1 值均高于其他分類(lèi)算法，這證明了所提算法在乳腺超聲圖像上的普適性，更加適用于臨床醫(yī)學(xué)的應(yīng)用.

表4 實(shí)驗(yàn)2 中各算法的準(zhǔn)確率、精準(zhǔn)率、F1 值結(jié)果Tab.4 The results of accuracy,precision and F1 score of each algorithm in experiment 2 %

3 結(jié)論

使用深度學(xué)習(xí)方法處理乳腺病理圖像的研究已經(jīng)越來(lái)越多，對(duì)病灶的定位和分割有助于乳腺癌的檢測(cè)[32]，對(duì)病灶的分類(lèi)有助于乳腺疾病的識(shí)別[33].但是目前使用深度學(xué)習(xí)方法對(duì)乳腺疾病分類(lèi)較多的研究都是針對(duì)良惡性，對(duì)BI-RADS 的分類(lèi)研究還很少[34]，尤其是對(duì)BI-RADS 的3、4a、4b、4c、5分類(lèi)研究.本文提出了一種針對(duì)乳腺超聲圖像的深度學(xué)習(xí)分類(lèi)算法TDS-Net，對(duì)病灶進(jìn)行BI-RADS的3、4a、4b、4c、5 分類(lèi).該算法設(shè)計(jì)了兩條支路：DD Module 支路和卷積支路，DD Module 支路主要用于減少超聲圖像中的偽影并提取豐富的局部細(xì)節(jié)信息；卷積支路主要提取全局信息，作為DD Module 支路的信息補(bǔ)充.其中DD module 模塊的設(shè)計(jì)首先采用了Inception 的多分支并行結(jié)構(gòu)，用于延伸網(wǎng)絡(luò)的寬度，增強(qiáng)特征信息提取的能力；其次用空洞卷積減少超聲圖像中呼吸偽影和探測(cè)運(yùn)動(dòng)偽影的影響；最后用可形變卷積捕獲可能出現(xiàn)的形變特征.兩條支路融合之后，讓具有豐富信息的特征圖通過(guò)深度可分離卷積以及SENet，深度可分離卷積能夠減少參數(shù)并且增加網(wǎng)絡(luò)的非線性進(jìn)而增強(qiáng)特征信息的提取能力，SENet 通過(guò)注意力機(jī)制進(jìn)一步輔助高階特征信息的提取.并且利用云南省腫瘤醫(yī)院提供的數(shù)據(jù)以及公共數(shù)據(jù)集驗(yàn)證了所提算法的可行性.

但本研究也存在一些局限性：①本文的初衷是針對(duì)乳腺超聲圖像使用深度學(xué)習(xí)方法設(shè)計(jì)一個(gè)更加高效準(zhǔn)確的算法模型，但目前能收集到的臨床數(shù)據(jù)仍然很少，訓(xùn)練出的模型在泛化性上存在一定的問(wèn)題；②本研究設(shè)計(jì)的算法未在其他乳腺疾病中的應(yīng)用訓(xùn)練，如腫瘤密度分類(lèi)[35]、腫瘤評(píng)估[35-36]、腫瘤評(píng)估[36]等.所以在后續(xù)的工作中，將繼續(xù)優(yōu)化算法提高分類(lèi)的準(zhǔn)確度，并在更豐富的數(shù)據(jù)樣本上訓(xùn)練迭代.