李昕昕，师 恩

(1. 四川大学锦城学院计算机与软件学院 成都 611731；2. 西南交通大学信息科学与技术学院 成都 610031)

乳腺癌是目前女性发病率最高的恶性肿瘤，尽早发现可以提供更好的治疗机会[1]。当前常用的乳腺癌筛查手段包括：粗针穿刺、乳腺X 线摄影、乳腺磁共振检查和超声影像。而超声影像因其无创伤、便捷、价廉，对致密性乳腺诊断敏感性和准确性高，成为首选的乳腺检查方法。但由于超声影像中良恶性结节的图像表现存在重叠，严重依赖医生经验，不同资历的医生误诊率达到10%～30%[2]。因此，如何借助计算机视觉和大数据技术辅助临床医生提高对超声影像进行良恶性肿瘤判断的准确率，逐渐成为目前的研究热点。

针对上述问题，本文提出了一种端到端的自动结节分类方法。该方法主要采用基于乳腺超声图像的良性和恶性分类的异构多分支网络 (heterogeneous multi-brach network, HMBN)。包括如下4 个模块：

1)图像预处理：为提高超声图片的质量，本文采用基于mean shift 聚类算法[3]对原始视频进行关键帧选取。然后对超声及造影图像进行基于增强的Wiener 滤波[4]去噪和基于多重分形和对比度自适应的直方图均衡技术[5]的增强处理。

2)超声病理特征信息提取：病理信息包括原始超声图像提取的病理信息和包括年龄以及其他6 个与乳腺良恶性相关度最高的乳腺病理特征在内的非图像信息。通过将病理信息做归一化处理后融合到分类的神经网络中。

3)异构多分支网络模型：该模型的输入数据包括图像信息和非图像信息。……