CN102521517A - 乳腺肿瘤判别分析系统及方法 - Google Patents

乳腺肿瘤判别分析系统及方法 Download PDF

Info

Publication number
CN102521517A
CN102521517A CN 201110428949 CN201110428949A CN102521517A CN 102521517 A CN102521517 A CN 102521517A CN 201110428949 CN201110428949 CN 201110428949 CN 201110428949 A CN201110428949 A CN 201110428949A CN 102521517 A CN102521517 A CN 102521517A
Authority
CN
China
Prior art keywords
case
case data
breast
patient
tumor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN 201110428949
Other languages
English (en)
Inventor
马捷
吴明祥
徐坚民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Peoples Hospital
Original Assignee
Shenzhen Peoples Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Peoples Hospital filed Critical Shenzhen Peoples Hospital
Priority to CN 201110428949 priority Critical patent/CN102521517A/zh
Publication of CN102521517A publication Critical patent/CN102521517A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开一种乳腺肿瘤判别分析系统及方法。其中，所述系统包括：病例资料输入模块，用于提供病例资料输入界面输入包括患者的体检、乳腺影像表现和病史的病例资料；病例资料数据库，用于保存每个患者的病例资料；分析判别模块，用于根据判别方程计算从病例资料输入模块输入的病例资料分别属于BI-RADS1~5级的各级概率。本发明对乳腺影像描述等患者的病例资料进行量化分类，为乳腺肿瘤诊断提供准确、客观的乳腺肿瘤评估分类结果，具有操作简单、实现容易等优点。

Description

乳腺肿瘤判别分析系统及方法
技术领域
本发明涉及一种医疗诊断器械，尤其是涉及一种基于乳腺影像报告数据系统(Breast imaging reporting and data system，简称BI-RADS)的乳腺肿瘤判别分析系统，以及相应的乳腺肿瘤判别分析方法。 
背景技术
从90年代乳腺钼靶X线用于临床以来，对女性乳腺疾病的检出诊断起到重要作用，能够发现早期病变，从而对乳腺癌患者达到早期发现、早期诊断、早期治疗的积极作用，有效提高患者生存率。是目前唯一被美国FDA认可的用于筛查早期乳腺癌的影像学方法，在我国，温家宝总理新签署的“新农合”计划，明确将两癌(乳腺癌及宫颈癌)筛查列入十一五至十二五期间卫生保障工作的政府支出项目。 
乳腺影像报告数据系统(Breast imaging reporting and data system，简称BI-RADS)是美国放射学会(American College of Radiology)创立并向全球放射科医生推荐乳腺影像报告数据系统，目前被国内外公认的乳腺影像学诊断指导。 
BI-RADS适用于临床的主要内容包括影标准影像学术语和总体评估两大类。其各个分级意义如下： 
0级：需要召回，结合其他检查后再评估。说明检查获得的信息可能不够完整。 
I级：未见异常。 
II级：考虑良性改变，建议定期随访(如每年一次)。 
III级：良性疾病可能，但需要缩短随访周期(如3～6个月一次)。这一 级恶性的比例小于2％。 
IV级：有异常，不能完全排除恶性病变可能，需要活检明确。 
V级：高度怀疑为恶性病变(几乎认定为恶性疾病)，需要手术切除活检。 
VI级：已经由病理证实为恶性病变。 
BI-RADS分级在国外已成熟应用，在我国应用超过10年。但仍然存在以下问题： 
1、BI-RADS的最初制定是基于乳腺癌的筛查，及应用对象是无症状人群的健康体检，而在我国，更多是应用于临床，及有症状人群。 
2、不同的医生对待同样的影像可能会得到不同的诊断结果，同一医生对待同样的影像在不同时间也可能得到不同的诊断结果，临床医生对影像科的不肯定诊断常常无所适从。对征象的描述存在主观性，缺少量化标准。 
3、不同医疗机构之间的归一研究方面和乳腺X线检查随访的检测等方面存在大量不确定因素。 
发明内容
本发明的目的在于克服现有BI-RADS分级影像诊断缺乏定量化评价指标的问题，提供一种乳腺肿瘤判别分析系统及方法，该判别分析系统可对乳腺影像进行定量化分析，提供准确、客观的乳腺肿瘤评估分类结果。 
本发明采用如下技术方案实现：一种乳腺肿瘤判别分析系统，其包括： 
病例资料输入模块，用于提供病例资料输入界面输入包括患者的体检、乳腺影像表现和病史的病例资料； 
病例资料数据库，用于保存每个患者的病例资料； 
分析判别模块，用于根据判别方程计算从病例资料输入模块输入的病例资料分别属于BI-RADS 1～5级的各级概率。 
其中，所述系统还包括： 
分别连接分析判别模块和病例资料数据库的判别方程建立模块，用于提供用户根据历史的病例资料建立判别方程； 
连接病例资料数据库的数据库管理模块，用于提供对病例资料数据库进行新建、修改、删除、查询和打印的操作管理。 
其中，判别方程是将每个患者的病例资料中各项资料对应的数值，乘以协方差矩阵而得出属于BI-RADS 1～5级的各级概率。 
另外，本发明还公开一种乳腺肿瘤判别分析方法，其包括步骤： 
提供一个病例资料输入界面，输入包括患者的体检、乳腺影像表现和病史的病例资料，并将保存在病例资料数据库； 
根据预先设置的判别方程计算从病例资料输入模块输入的病例资料分别属于BI-RADS 1～5级的各级概率； 
显示出该患者对应的病例资料分别符合BI-RADS 1～5级的各级概率。 
其中，所有患者的病例资料在病例资料数据库中以EXCEL表格存储，每个患者对应EXCEL表格其中一行信息。 
所述方法还提供用户根据病例资料数据库中的病例资料，建立判别方程。 
与现有技术相比，本发明具有如下有益效果： 
本发明根据经验值(由若干历史的病例资料统计计算出的协方差矩阵以及对应的判别方程)对乳腺影像描述等患者的病例资料进行量化分类，从而为乳腺肿瘤诊断提供准确、客观的乳腺肿瘤评估分类结果，具有操作简单、实现容易等优点。 
附图说明
图1是本发明的系统结构示意图。 
图2是本发明的流程示意图。 
图3是新建一个病例资料输入界面的示意图。 
图4是将所有患者的病例资料以EXCEL表格存储的示意图。 
具体实施方式
本发明将患者的体检、乳腺影像表现、病史等病例资料输入后，根据预先建立的判别方程，分别计算出患者属于BI-RADS属于1～5级的各级概率。因此，本发明由判别方程对病例资料行量化分类，从而为乳腺肿瘤诊断提供准确、客观的乳腺肿瘤评估分类结果。 
如图1所示，本发明提出的乳腺肿瘤判别分析系统包括：用于输入患者的体检、乳腺影像表现、病史等病例资料的病例资料输入模块11；用于保存每个患者的病例资料的病例资料数据库12；从病例资料输入模块11输入的病例资料送至分析判别模块3，由分析判别模块3根据判别方程计算出患者属于BI-RADS 1～5级的各级概率；以及用于提供用户根据历史的病例资料建立判别方程的判别方程建立模块14；以及数据库管理模块15，由数据库管理模块15提供对病例资料数据库12的基本管理功能，可以新建、修改、删除、查询病例资料，并可以将病人资料条目导出为EXCEL表格，方便进一步处理或打印。 
经过临床资料的积累，用户会获得新的一批经过随访证实其分级的病例资料。可以将这些病例资料作为下次建立判别方程的依据。每当病例数量积累到一定程度，判别方程建立模块14将提示可以建立新的判别方程。一般认为，在更大病例数量基础上建立的判别方程，具有更高的预测准确性。通过不断的自我学习，可以使软件的预测结果越来越接近真实的情况。 
结合图2所示，本发明一个优选实施例的实现流程包括： 
步骤S1、对于每一个患者，由例资料输入模块11新建一个病例资料输入界面，如图3所示，包括“基本资料”、“影像检查”、“病史”、“合并象征”和“结果”等多个子界面。由医生逐一将该患者的体检、乳腺影像表现、病 史等病例资料输入，并保存在病例资料数据库12。 
如图4所示，所有患者的病例资料以EXCEL表格存储，每个患者对应EXCEL表格其中一行信息。用户(医生)通过该EXCEL表格可以快速的浏览、修改每个患者具体的病例资料。 
步骤S2、由分析判别模块3根据预先设置的判别方程计算出患者属于BI-RADS 1～5级的各级概率。 
比如，若一个患者的病例资料包含6项资料(实际上一个患者远远不止6项资料，在此仅做举例)，分别用a、b、c、d、e和f代表。结合图4所示，a表示“肿块形态”的数值、b表示“肿块边缘”的数值、c代表“肿块密度”的数值、d代表“钙化形态”的数值、e和f分别代表为BI-RADS 1类和2类的数值。 
那么，判别方程表示如下： 
Y1＝X11*a+X12*b+X13*c+X14*d+X15*e+X16*f+X17； 
Y2＝X21*a+X22*b+X23*c+X24*d+X25*e+X26*f+X27； 
Y3＝X31*a+X32*b+X33*c+X34*d+X35*e+X36*f+X37； 
Y4＝X41*a+X42*b+X43*c+X44*d+X45*e+X46*f+X47； 
Y5＝X51*a+X52*b+X53*c+X54*d+X55*e+X56*f+X57。 
其中，Y1、Y2、Y3、Y4和Y5分别表示依据该患者的病例资料计算出为BI-RADS 1类、BI-RADS 2类、BI-RADS 3类、BI-RADS 4类和BI-RADS 5类的概率。 
其中，X为对历史的若干病例资料进行统计分析，统计各个患者各项资料得出的协方差矩阵。 
X1＝[X11 X12 X13 X14 X15 X16 X17]； 
X2＝[X21 X22 X23 X24 X25 X26 X27]； 
X3＝[X31 X32 X33 X34 X35 X36 X37]； 
X4＝[X41 X42 X43 X44 X45 X46 X47]； 
X5＝[X51 X52 X53 X54 X55 X56 X57]； 
而X1、X2、X3、X4和X5分别为协方差矩阵X中的第1-第5列元素。 
步骤S3、显示该患者对应的病例资料分别符合BI-RADS 1类、BI-RADS2类、BI-RADS 3类、BI-RADS 4类和BI-RADS 5类的概率，从而由判别方程对病例资料行量化分类，从而为乳腺肿瘤诊断提供准确、客观的乳腺肿瘤评估分类结果。 
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。 

Claims (8)

1.一种乳腺肿瘤判别分析系统，其特征在于，所述系统包括：
病例资料输入模块，用于提供病例资料输入界面输入包括患者的体检、乳腺影像表现和病史的病例资料；
病例资料数据库，用于保存每个患者的病例资料；
分析判别模块，用于根据判别方程计算从病例资料输入模块输入的病例资料分别属于BI-RADS 1~5级的各级概率。
2.根据权利要求1所述乳腺肿瘤判别分析系统，其特征在于，所述系统还包括：
分别连接分析判别模块和病例资料数据库的判别方程建立模块，用于提供用户根据历史的病例资料建立判别方程。
3.根据权利要求1所述乳腺肿瘤判别分析系统，其特征在于，所述系统还包括：
连接病例资料数据库的数据库管理模块，用于提供对病例资料数据库进行新建、修改、删除、查询和打印的操作管理。
4.根据权利要求1或2或3所述乳腺肿瘤判别分析系统，其特征在于，判别方程是将每个患者的病例资料中各项资料对应的数值，乘以协方差矩阵而得出属于BI-RADS 1~5级的各级概率。
5.一种乳腺肿瘤判别分析方法，其特征在于，所述方法包括步骤：
提供一个病例资料输入界面，输入包括患者的体检、乳腺影像表现和病史的病例资料，并将保存在病例资料数据库；
根据预先设置的判别方程计算的病例资料分别属于BI-RADS 1~5级的各级概率；
显示出该患者对应的病例资料分别符合BI-RADS 1~5级的各级概率。
6.根据权利要求5所述乳腺肿瘤判别分析方法，其特征在于，所有患者的病例资料在病例资料数据库中以EXCEL表格存储，每个患者对应EXCEL表格其中一行信息。
7.根据权利要求5所述乳腺肿瘤判别分析方法，其特征在于，判别方程是将每个患者的病例资料中各项资料对应的数值，乘以协方差矩阵而得出属于BI-RADS 1~5级的各级概率。
8.根据权利要求5或6或7所述乳腺肿瘤判别分析方法，其特征在于，还包括步骤：
提供用户根据病例资料数据库中的病例资料，建立判别方程。
CN 201110428949 2011-12-20 2011-12-20 乳腺肿瘤判别分析系统及方法 Pending CN102521517A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110428949 CN102521517A (zh) 2011-12-20 2011-12-20 乳腺肿瘤判别分析系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110428949 CN102521517A (zh) 2011-12-20 2011-12-20 乳腺肿瘤判别分析系统及方法

Publications (1)

Publication Number Publication Date
CN102521517A true CN102521517A (zh) 2012-06-27

Family

ID=46292428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110428949 Pending CN102521517A (zh) 2011-12-20 2011-12-20 乳腺肿瘤判别分析系统及方法

Country Status (1)

Country Link
CN (1) CN102521517A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446025A (zh) * 2016-08-30 2017-02-22 东软集团股份有限公司 一种标准化文本信息的方法和装置
CN109065150A (zh) * 2018-07-02 2018-12-21 江苏省中医院 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法
CN109308488A (zh) * 2018-08-30 2019-02-05 深圳大学 乳腺超声图像处理装置、方法、计算机设备及存储介质
CN111000589A (zh) * 2018-10-08 2020-04-14 上海深博医疗器械有限公司 一种三维超声辅助birads辅助诊断系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446025A (zh) * 2016-08-30 2017-02-22 东软集团股份有限公司 一种标准化文本信息的方法和装置
CN109065150A (zh) * 2018-07-02 2018-12-21 江苏省中医院 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法
CN109308488A (zh) * 2018-08-30 2019-02-05 深圳大学 乳腺超声图像处理装置、方法、计算机设备及存储介质
CN111000589A (zh) * 2018-10-08 2020-04-14 上海深博医疗器械有限公司 一种三维超声辅助birads辅助诊断系统
CN111000589B (zh) * 2018-10-08 2024-03-15 上海深博医疗器械有限公司 一种三维超声辅助birads辅助诊断系统

Similar Documents

Publication Publication Date Title
McKinney et al. International evaluation of an AI system for breast cancer screening
Lopez-Jimenez et al. Artificial intelligence in cardiology: present and future
Carney et al. Individual and combined effects of age, breast density, and hormone replacement therapy use on the accuracy of screening mammography
Lei et al. Artificial intelligence in medical imaging of the breast
Pisano et al. Diagnostic accuracy of digital versus film mammography: exploratory analysis of selected population subgroups in DMIST
Buda et al. A data set and deep learning algorithm for the detection of masses and architectural distortions in digital breast tomosynthesis images
Jiang et al. A receiver operating characteristic partial area index for highly sensitive diagnostic tests.
Venkatesan et al. Positive predictive value of specific mammographic findings according to reader and patient variables
Lopez et al. BCDR: a breast cancer digital repository
Huhdanpaa et al. CT prediction of the Fuhrman grade of clear cell renal cell carcinoma (RCC): towards the development of computer-assisted diagnostic method
TWI810498B (zh) 肝腫瘤智慧分析裝置
Warin et al. Maxillofacial fracture detection and classification in computed tomography images using convolutional neural network-based models
Dong et al. One step further into the blackbox: a pilot study of how to build more confidence around an AI-based decision system of breast nodule assessment in 2D ultrasound
Nicosia et al. History of mammography: analysis of breast imaging diagnostic achievements over the last century
Thomassin-Naggara et al. Artificial intelligence and breast screening: French Radiology Community position paper
Haneuse et al. Mammographic interpretive volume and diagnostic mammogram interpretation performance in community practice
Zandehshahvar et al. Toward understanding COVID-19 pneumonia: A deep-learning-based approach for severity analysis and monitoring the disease
Raajan et al. Non-invasive technique-based novel corona (COVID-19) virus detection using CNN
CN102521517A (zh) 乳腺肿瘤判别分析系统及方法
Jiang et al. Effect of specialized diagnostic assessment units on the time to diagnosis in screen-detected breast cancer patients
Arezzo et al. Radiomics analysis in ovarian cancer: a narrative review
Abu Haeyeh et al. Development and evaluation of a novel deep-learning-based framework for the classification of renal histopathology images
CN106202930B (zh) 一种基于ss-elm的肺结节患病风险预测系统
Shah et al. An extensive review on lung cancer diagnosis using machine learning techniques on radiological data: state-of-the-art and perspectives
Adams et al. Clinical impact and generalizability of a computer-assisted diagnostic tool to risk-stratify lung nodules with CT

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C05 Deemed withdrawal (patent law before 1993)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120627