CN108230311A - 一种乳腺癌检测方法及装置 - Google Patents

一种乳腺癌检测方法及装置 Download PDF

Info

Publication number
CN108230311A
CN108230311A CN201810003857.7A CN201810003857A CN108230311A CN 108230311 A CN108230311 A CN 108230311A CN 201810003857 A CN201810003857 A CN 201810003857A CN 108230311 A CN108230311 A CN 108230311A
Authority
CN
China
Prior art keywords
neural network
mammary gland
deep neural
color
color ultrasonic
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
CN201810003857.7A
Other languages
English (en)
Inventor
章毅
吕青
张蕾
戚晓峰
皮勇
杜正贵
刘鹏程
王瑶
王璟玲
李季兰
王晗
庞博
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN201810003857.7A priority Critical patent/CN108230311A/zh
Publication of CN108230311A publication Critical patent/CN108230311A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供了一种乳腺癌检测方法，所述方法包括：从乳腺彩超报告中识别出的多张待诊断彩超图像；利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果。其中，所述深度神经网络模型在设计后，通过对已经确诊的多个乳腺疾病患者的多张彩超图像进行训练，获得经训练的深度神经网络。测试成功后，所述深度神经网络投入所述乳腺癌的检测方法中。从而使得用户只需要上传乳腺彩超报告，就能够获取检测结果，并且在有效提高了准确率并降低人力成本的同时，在没有或者缺少专业医师的情况下，可以大幅提高诊断效率，为患者节省宝贵的时间。

Description

一种乳腺癌检测方法及装置
技术领域
本发明涉及深度学习及图片处理技术领域，具体而言，涉及一种乳腺癌检测方法及装置。
背景技术
目前，在部分医疗条件较好的医院，对患有乳腺类疾病的患者，通常的方法是用专业设备采集一系列乳腺及相关部位的彩超图像，为了对患病部位进行全面准确的观察，需要对乳腺等部位图像采集多张照片。完成乳腺彩超图像数据采集后，由专业放射技师对该报告中每张图像数据进行读图诊断。虽然大部分医院都具有拍摄彩超图像的设备，但是完成诊断离不开专业医师的读图诊断，对于相对偏远的乡镇医院很难及时获得读图经验丰富的放射技师的临床意见。同时，“看病难”现象导致从患者拿到彩超报告到挂号咨询专业技师诊断，其间存在较长时间间隔，在这期间病情极有可能继续加重。
发明内容
本发明的目的在于提供一种图片哈希码生成方法、装置、图片检索方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本发明实施例提供了一种乳腺癌检测方法，应用于诊断系统。所述方法包括：获得目标患者的乳腺彩超报告，并从所述乳腺彩超报告中识别出多张待诊断彩超图像；利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果。
进一步的，在利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果之前，所述方法还包括：获得已经确诊的多个乳腺疾病患者中每个乳腺疾病患者的多张彩超图像；设计深度神经网络模型；基于每个乳腺疾病患者的多张彩超图像，对所述深度神经网络模型进行训练，获得经训练的深度神经网络；对所述深度神经网络进行测试，在测试结果表征所述深度神经网络达到预设要求时，执行步骤：利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果。
进一步的，在获得已经确诊的多个乳腺疾病患者中每个乳腺疾病患者的多张彩超图像之后；设计深度神经网络模型之前，所述方法还包括：对每个乳腺疾病患者的多张彩超图像中的每张彩超图像进行数据标注，获得每个乳腺疾病患者的多张经标注彩超图像；对每个乳腺疾病患者的彩超报告进行裁剪，并将每张彩超报告用边框框出，获得对应所述多个乳腺疾病患者的多个加边框彩超报告；对所述多个乳腺疾病患者对应的数据集按照四比一比例划分，获得训练集和测试集，其中，所述数据集包括每个乳腺疾病患者的多张经标注彩超图像及多个加边框彩超报告。
进一步的，设计深度神经网络模型，包括：设计特征提取单元，所述特征提取单元包括一个输入层和多个卷积结构，每个卷积结构由多个不同尺度的卷积层和池化层构成；设计特征融合单元，所述特征融合单元包括一个全局均值池化层，用于在图像的通道维度上对多种图像特征进行融合；设计分类单元，所述分类单元包括一个多类别分类器。
进一步的，基于每个乳腺疾病患者的多张彩超图像，对所述深度神经网络模型进行训练，获得经训练的深度神经网络，包括：采用旋转、裁剪和加噪声方式，对所述数据集进行增广，获得经增广数据集，所述经增广数据集包括：经增广训练集和经增广测试集；确定所述经增广数据集中的图像数据的三通道(RGB)灰度值作为深度神经网络的输入值；以及将所述经增广数据集中的图像数据进行分类，并对每类图像进行编码，获得至少两类经编码图像数据；利用所述多类别分类器设计获得权值矩阵；进行前向计算，获得所述深度神经网络模型中网络输出层神经元的激活值，以及设计性能函数；基于所述网络输出层神经元的激活值，进行网络训练，获得经训练的深度神经网络。
进一步的，所述对所述深度神经网络进行测试，包括：将所述经增广数据集中的图像数据输入所述深度神经网络，所述深度神经网络计算出所述网络输出层神经元的激活值，并根据所述网络输出层神经元的激活值预测出所述经增广数据集中的图像数据的预测类别；将所述预测类别与样本实际类别进行比对，获得每个乳腺疾病患者的测试结果；当通过每个乳腺疾病患者的测试结果确定预测正确的样本的数量达到预设数值时，表示所述深度神经网络通过测试。
进一步的，在所述深度神经网络为L层的前馈神经网络时，进行前向计算，获得所述深度神经网络模型中网络输出层神经元的激活值，以及设计性能函数，包括：确定训练样本集合为X∈Rm×n，其中，m为单个样本的维度，n表示训练样本的个数,那么，第i个样本可表示为Xi；确定第l层的第j个神经元到l+1层的第k个神经元连接权值记为第l层到l+1层的连接权值矩阵W(l)，第l层上神经元的激活函数为f(·)；从输入层到输出层，不断进行前向计算，其过程为：
其中，ai (l)表示第l层神经元的激活值，
ai L＝f(L-1)(W(L-1)·f(L-2)(W(L-2)…ai (0)))；
其中，最后一层的网络输出为设计性能函数ai (n)，设计获得性能函数为：
进一步的，基于所述网络输出层神经元的激活值，进行网络训练，获得经训练的深度神经网络，包括：
步骤1，基于所述ai (l)按照如下公式进行计算；
步骤2，按如下公式计算最后一层的残差：
步骤3，按如下公式从后往前计算各层的残差：
步骤4，按如下公式，由每两层间的残差计算出对应的梯度：
步骤5，按如下公式更新对应权值：
重复步骤4和5，直至所述深度神经网络收敛或达到规定的迭代次数，训练结束，进而获得经训练的深度神经网络。
第二方面，本发明实施例提供了一种乳腺癌检测装置，应用于诊断系统，包括：数据采集模块，用于采集多张乳腺彩超图像数据；数据处理模块，用于将所述多张乳腺彩超数据输入到预设的深度神经网络模型；判断模块，用于判断所述分类结果是否正确；结果获取模块，用于基于所述多张乳腺彩超图像数据输出检测结果。
进一步的，所述数据处理模块，包括：特征提取单元，所述特征提取单元包括一个输入层和多个卷积结构，每个卷积结构由多个不同尺度的卷积层和池化层构成；
特征融合单元，所述特征融合单元包括一个全局均值池化层，用于在图像的通道维度上对多种图像特征进行融合；
本发明实施例提供的一种乳腺癌检测方法及装置，应用于诊断系统，所述包括：获得目标患者的乳腺彩超报告，并从所述乳腺彩超报告中识别出多张待诊断彩超图像；利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果。设计深度神经网络模型；基于每个乳腺疾病患者的多张彩超图像，对所述深度神经网络模型进行训练，获得经训练的深度神经网络；对所述深度神经网络进行测试，在测试结果表征所述深度神经网络达到预设要求时，执行步骤：利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明第一实施例提供的一种诊断系统的模块示意框图；
图2为本发明第二实施例提供的一种乳腺癌诊断方法的流程图；
图3为本发明第三实施例提供的一种乳腺癌诊断装置的模块示意图；
图4为本发明第三实施例提供的一种乳腺癌诊断装置的图像处理模块的模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
第一实施例
请参阅图1，本发明第一实施例示出了一种诊断系统10。诊断系统10，包括：乳腺癌检测装置100、乳腺彩超报告11和供电设备12。
乳腺癌检测装置100对乳腺彩超报告进行分析识别，从中获得待诊断彩超图像，并根据待诊断彩超图像分析判断得出对应患者是否有健康异常。
数据采集模块110，用于采集多张乳腺彩超图像数据；数据处理模块120，用于将所述多张乳腺彩超数据输入到预设的深度神经网络模型；判断模块130，用于判断所述分类结果是否正确；结果获取模块140，用于基于所述多张乳腺彩超图像数据输出检测结果。
可以理解，图1所示的结构仅为示意，乳腺癌检测装置100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1 中所示的各组件可以采用硬件、软件或其组合实现。
第二是实施例
请参阅图2，本发明第二实施例提供了一种乳腺癌检测方法，应用于诊断系统，所述方法可以包括步骤S100、步骤S200、步骤S300和步骤S400。
步骤S100：获得目标患者的乳腺彩超报告，并从所述乳腺彩超报告中识别出多张待诊断彩超图像。
步骤S200：获得已经确诊的多个乳腺疾病患者中每个乳腺疾病患者的多张彩超图像。
步骤S300：建立深度神经网络。
步骤S400：利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果。
其中，在步骤S300中：
所述深度神经网络模型为预先建立的。所述深度神经网络模型通过以下步骤建立：
1、获得已经确诊的多个乳腺疾病患者中每个乳腺疾病患者的多张彩超图像。
2、设计深度神经网络模型。
3、基于每个乳腺疾病患者的多张彩超图像，对所述深度神经网络模型进行训练，获得经训练的深度神经网络。
4、对所述深度神经网络进行测试，在测试结果表征所述深度神经网络达到预设要求时，执行步骤：利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果。
其中，在获得已经确诊的多个乳腺疾病患者中每个乳腺疾病患者的多张彩超图像之后；设计深度神经网络模型之前，所述方法还包括：
1、对每个乳腺疾病患者的多张彩超图像中的每张彩超图像进行数据标注，获得每个乳腺疾病患者的多张经标注彩超图像；
2、对每个乳腺疾病患者的彩超报告进行裁剪，并将每张彩超报告用边框框出，获得对应所述多个乳腺疾病患者的多个加边框彩超报告；
可选的，所述边框可以为红色边框，以作为彩超报告图像的边界。
3、对所述多个乳腺疾病患者对应的数据集按照四比一比例划分，获得训练集和测试集，其中，所述数据集包括每个乳腺疾病患者的多张经标注彩超图像及多个加边框彩超报告。
其中，所述训练集的图像由专业人员进行人工诊断，并记录表明是否有癌症病变的诊断结构。
此外，所述设计深度神经网络模型。包括如下步骤：
1、设计特征提取单元，所述特征提取单元包括一个输入层和多个卷积结构，每个卷积结构由多个不同尺度的卷积层和池化层构成。
2、设计特征融合单元，所述特征融合单元包括一个全局均值池化层，用于在图像的通道维度上对多种图像特征进行融合。
3、设计分类单元，所述分类单元包括一个多类别分类器。
再者，基于每个乳腺疾病患者的多张彩超图像，对所述深度神经网络模型进行训练，获得经训练的深度神经网络，包括如下步骤：
1、采用旋转、裁剪和加噪声方式，对所述数据集进行增广，获得经增广数据集，所述经增广数据集包括：经增广训练集和经增广测试集；
2、确定所述经增广数据集中的图像数据的三通道(RGB)灰度值作为深度神经网络的输入值；以及将所述经增广数据集中的图像数据进行分类，并对每类图像进行编码，获得至少两类经编码图像数据；
3、利用所述多类别分类器设计获得权值矩阵；
4、进行前向计算，获得所述深度神经网络模型中网络输出层神经元的激活值，以及设计性能函数；
5、基于所述网络输出层神经元的激活值，进行网络训练，获得经训练的深度神经网络。
其中，所述对所述深度神经网络进行测试，包括如下步骤：
1、将所述经增广数据集中的图像数据输入所述深度神经网络，所述深度神经网络计算出所述网络输出层神经元的激活值，并根据所述网络输出层神经元的激活值预测出所述经增广数据集中的图像数据的预测类别；
2、将所述预测类别与样本实际类别进行比对，获得每个乳腺疾病患者的测试结果；
3、当通过每个乳腺疾病患者的测试结果确定预测正确的样本的数量达到预设数值时，表示所述深度神经网络通过测试。
具体的，每一张彩超图像都对应着一个诊断，图像作为神经网络模型的输入，诊断作为神经网络模型的标签(又叫“目标输出”，依据此标签来进行训练)。按照此流程，完成构建了一个用于训练和测试的数据集。训练的目的是让神经网络的输出尽可能的接近“目标输出”。因为“目标输出”是专业医生给出的诊断，是正确的，这样子当训练完成时，神经网络给出的输出也能够像专业医生的诊断那样，是尽可能正确的。
其中，在所述深度神经网络为L层的前馈神经网络时，进行前向计算，获得所述深度神经网络模型中网络输出层神经元的激活值，以及设计性能函数，包括如下步骤：
1、确定训练样本集合为X∈Rm×n，其中，m为单个样本的维度，n表示训练样本的个数,那么，第i个样本可表示为Xi；
2、确定第l层的第j个神经元到l+1层的第k个神经元连接权值记为第l层到l+1层的连接权值矩阵W(l)，第l层上神经元的激活函数为f(·)；
3、从输入层到输出层，不断进行前向计算，其过程为：
其中，ai (l)表示第l层神经元的激活值，
ai L＝f(L-1)(W(L-1)·f(L-2)(W(L-2)…ai (0)))；
其中，最后一层的网络输出为设计性能函数ai (n)，设计获得性能函数为：
再者，基于所述网络输出层神经元的激活值，进行网络训练，获得经训练的深度神经网络，包括如下步骤：
步骤1，基于所述ai (l)，按照如下公式进行计算；
步骤2，按如下公式计算最后一层的残差：
步骤3，按如下公式从后往前计算各层的残差：
步骤4，按如下公式，由每两层间的残差计算出对应的梯度：
步骤5，按如下公式更新对应权值：
重复步骤4和5，直至所述深度神经网络收敛或达到规定的迭代次数，训练结束，进而获得经训练的深度神经网络。
第三实施例
请参阅图3和图4，本发明第三实施例示出了一种乳腺癌检测装置。乳腺癌检测装置100应用于诊断系统，包括：数据采集模块110、数据处理模块120、判断模块130、结果获取模块140。
数据采集模块110，用于采集多张乳腺彩超图像数据；数据处理模块 120，用于将所述多张乳腺彩超数据输入到预设的深度神经网络模型；判断模块130，用于判断所述分类结果是否正确；结果获取模块140，用于基于所述多张乳腺彩超图像数据输出检测结果。
其中，数据处理模块120，包括：特征提取单元121，特征提取单元121 包括一个输入层和多个卷积结构，每个卷积结构由多个不同尺度的卷积层和池化层构成；特征融合单元122，特征融合单元122包括一个全局均值池化层，用于在图像的通道维度上对多种图像特征进行融合；分类单元单元 123，分类单元123包括一个多类别分类器。
可以理解，图3和图4所示的结构仅为示意，乳腺癌检测装置100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
综上所述：本发明提供的一种乳腺癌检测方法及装置，所述方法包括：从乳腺彩超报告中识别出的多张待诊断彩超图像；将所述多张待诊断彩超图像数据输入到预设的深度神经网络模型。其中，所述深度神经网络模型经设计后，通过对已经确诊的多个乳腺疾病患者中每个乳腺疾病患者的多张彩超图像进行训练，获得经训练的深度神经网络。对所述深度神经网络进行测试，在测试结果表征所述深度神经网络达到预设要求时，所述深度神经网络投入所述乳腺癌的检测方法中，并基于所述待诊断彩超图像输出检测结果，从而使得用户只需要上传乳腺彩超报告，就能够获取检测结果，并且在有效提高了准确率的同时，还能够为用户带来方便以及成本低的技术效果。以及在没有或者缺少专业医师的情况下，可以大幅提高诊断效率，为患者节省宝贵的时间。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种乳腺癌检测方法，应用于诊断系统，其特征在于，包括：
获得目标患者的乳腺彩超报告，并从所述乳腺彩超报告中识别出多张待诊断彩超图像；
利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果。
2.如权利要求1所述的方法，其特征在于，在利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果之前，所述方法还包括：
获得已经确诊的多个乳腺疾病患者中每个乳腺疾病患者的多张彩超图像；
设计深度神经网络模型；
基于每个乳腺疾病患者的多张彩超图像，对所述深度神经网络模型进行训练，获得经训练的深度神经网络；
对所述深度神经网络进行测试，在测试结果表征所述深度神经网络达到预设要求时，执行步骤：利用深度神经网络对所述多张待诊断彩超图像中的每张待诊断彩超图像进行处理，获得表示所述目标患者是否有乳腺癌或其它乳腺疾病的诊断结果。
3.如权利要求2所述的方法，其特征在于，在获得已经确诊的多个乳腺疾病患者中每个乳腺疾病患者的多张彩超图像之后；设计深度神经网络模型之前，所述方法还包括：
对每个乳腺疾病患者的多张彩超图像中的每张彩超图像进行数据标注，获得每个乳腺疾病患者的多张经标注彩超图像；
对每个乳腺疾病患者的彩超报告进行裁剪，并将每张彩超报告用边框框出，获得对应所述多个乳腺疾病患者的多个加边框彩超报告；
对所述多个乳腺疾病患者对应的数据集按照四比一比例划分，获得训练集和测试集，其中，所述数据集包括每个乳腺疾病患者的多张经标注彩超图像及多个加边框彩超报告。
4.如权利要求3所述的方法，其特征在于，设计深度神经网络模型，包括：
设计特征提取单元，所述特征提取单元包括一个输入层和多个卷积结构，每个卷积结构由多个不同尺度的卷积层和池化层构成；
设计特征融合单元，所述特征融合单元包括一个全局均值池化层，用于在图像的通道维度上对多种图像特征进行融合；
设计分类单元，所述分类单元包括一个多类别分类器。
5.如权利要求4所述的方法，其特征在于，基于每个乳腺疾病患者的多张彩超图像，对所述深度神经网络模型进行训练，获得经训练的深度神经网络，包括：
采用旋转、裁剪和加噪声方式，对所述数据集进行增广，获得经增广数据集，所述经增广数据集包括：经增广训练集和经增广测试集；
确定所述经增广数据集中的图像数据的三通道(RGB)灰度值作为深度神经网络的输入值；以及将所述经增广数据集中的图像数据进行分类，并对每类图像进行编码，获得至少两类经编码图像数据；
利用所述多类别分类器设计获得权值矩阵；
进行前向计算，获得所述深度神经网络模型中网络输出层神经元的激活值，以及设计性能函数；
基于所述网络输出层神经元的激活值，进行网络训练，获得经训练的深度神经网络。
6.如权利要求5所述的方法，其特征在于，所述对所述深度神经网络进行测试，包括：
将所述经增广数据集中的图像数据输入所述深度神经网络，所述深度神经网络计算出所述网络输出层神经元的激活值，并根据所述网络输出层神经元的激活值预测出所述经增广数据集中的图像数据的预测类别；
将所述预测类别与样本实际类别进行比对，获得每个乳腺疾病患者的测试结果；
当通过每个乳腺疾病患者的测试结果确定预测正确的样本的数量达到预设数值时，表示所述深度神经网络通过测试。
7.如权利要求5所述的方法，其特征在于，在所述深度神经网络为L层的前馈神经网络时，进行前向计算，获得所述深度神经网络模型中网络输出层神经元的激活值，以及设计性能函数，包括：
确定训练样本集合为X∈Rm×n，其中，m为单个样本的维度，n表示训练样本的个数,那么，第i个样本可表示为Xi；
确定第l层的第j个神经元到l+1层的第k个神经元连接权值记为第l层到l+1层的连接权值矩阵W(l)，第l层上神经元的激活函数为f(·)；
从输入层到输出层，不断进行前向计算，其过程为：
其中，ai (l)表示第l层神经元的激活值，
ai L＝f(L-1)(W(L-1)·f(L-2)(W(L-2)…ai (0)))；
其中，最后一层的网络输出为设计性能函数ai (n)，设计获得性能函数为：
8.如权利要求7所述的方法，其特征在于，基于所述网络输出层神经元的激活值，进行网络训练，获得经训练的深度神经网络，包括：
步骤1，基于所述ai (l)，按照如下公式进行计算；
步骤2，按如下公式计算最后一层的残差：
步骤3，按如下公式从后往前计算各层的残差：
步骤4，按如下公式，由每两层间的残差计算出对应的梯度：
步骤5，按如下公式更新对应权值：
重复步骤4和5，直至所述深度神经网络收敛或达到规定的迭代次数，训练结束，进而获得经训练的深度神经网络。
9.一种乳腺癌检测装置，应用于诊断系统，其特征在于，包括：
数据采集模块，用于采集多张乳腺彩超图像数据；
数据处理模块，用于将所述多张乳腺彩超数据输入到预设的深度神经网络模型；
判断模块，用于判断分类结果是否正确；
结果获取模块，用于基于所述多张乳腺彩超图像数据输出检测结果。
10.根据权利要求9所述的乳腺癌检测装置，其特征在于，所述数据处理模块，包括：
特征提取单元，所述特征提取单元包括一个输入层和多个卷积结构，每个卷积结构由多个不同尺度的卷积层和池化层构成；
特征融合单元，所述特征融合单元包括一个全局均值池化层，用于在图像的通道维度上对多种图像特征进行融合。
CN201810003857.7A 2018-01-03 2018-01-03 一种乳腺癌检测方法及装置 Pending CN108230311A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810003857.7A CN108230311A (zh) 2018-01-03 2018-01-03 一种乳腺癌检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810003857.7A CN108230311A (zh) 2018-01-03 2018-01-03 一种乳腺癌检测方法及装置

Publications (1)

Publication Number Publication Date
CN108230311A true CN108230311A (zh) 2018-06-29

Family

ID=62645163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810003857.7A Pending CN108230311A (zh) 2018-01-03 2018-01-03 一种乳腺癌检测方法及装置

Country Status (1)

Country Link
CN (1) CN108230311A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109512464A (zh) * 2018-11-23 2019-03-26 清华大学深圳研究生院 一种疾病筛查和诊断系统
CN109671062A (zh) * 2018-12-11 2019-04-23 成都智能迭迦科技合伙企业(有限合伙) 超声图像检测方法、装置、电子设备及可读存储介质
CN109740626A (zh) * 2018-11-23 2019-05-10 杭州电子科技大学 基于深度学习的乳腺癌病理切片中癌症区域的检测方法
WO2020107167A1 (zh) * 2018-11-26 2020-06-04 深圳先进技术研究院 乳腺密度自动分级方法及装置
CN111951229A (zh) * 2020-07-22 2020-11-17 国网安徽省电力有限公司电力科学研究院 一种基于全连接层增广的小金具图像数据集训练方法
CN112164462A (zh) * 2020-09-27 2021-01-01 华南理工大学 一种乳腺癌风险评估方法、系统、介质及设备
CN112634272A (zh) * 2021-03-09 2021-04-09 四川大学 基于深度神经网络的乳腺超声成像质量监控系统及方法
CN112631888A (zh) * 2020-12-30 2021-04-09 航天信息股份有限公司 分布式系统的故障预测方法、装置、存储介质及电子设备
CN112687391A (zh) * 2021-03-15 2021-04-20 四川大学 一种乳腺超声图像病灶智能识别防漏判系统的构建方法
IT201900025303A1 (it) 2019-12-23 2021-06-23 Sergio Casciaro Dispositivo e metodo per la classificazione tissutale
IT201900025306A1 (it) 2019-12-23 2021-06-23 Imedicals S R L Dispositivo e metodo per il monitoraggio di trattamenti hifu
CN113256605A (zh) * 2021-06-15 2021-08-13 四川大学 一种基于深度神经网络的乳腺癌图像识别分类方法
CN116468654A (zh) * 2023-02-01 2023-07-21 北京纳通医用机器人科技有限公司 图像处理方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105718952A (zh) * 2016-01-22 2016-06-29 武汉科恩斯医疗科技有限公司 使用深度学习网络对断层医学影像进行病灶分类的方法
CN106339591A (zh) * 2016-08-25 2017-01-18 汤平 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN107492099A (zh) * 2017-08-28 2017-12-19 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105718952A (zh) * 2016-01-22 2016-06-29 武汉科恩斯医疗科技有限公司 使用深度学习网络对断层医学影像进行病灶分类的方法
CN106339591A (zh) * 2016-08-25 2017-01-18 汤平 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN107492099A (zh) * 2017-08-28 2017-12-19 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIN LIN ET AL.: "Network In Network", 《ARXIV》 *
梁澄宇: "三维乳腺超声图像的自动分割研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740626A (zh) * 2018-11-23 2019-05-10 杭州电子科技大学 基于深度学习的乳腺癌病理切片中癌症区域的检测方法
CN109512464A (zh) * 2018-11-23 2019-03-26 清华大学深圳研究生院 一种疾病筛查和诊断系统
WO2020107167A1 (zh) * 2018-11-26 2020-06-04 深圳先进技术研究院 乳腺密度自动分级方法及装置
CN109671062A (zh) * 2018-12-11 2019-04-23 成都智能迭迦科技合伙企业(有限合伙) 超声图像检测方法、装置、电子设备及可读存储介质
IT201900025303A1 (it) 2019-12-23 2021-06-23 Sergio Casciaro Dispositivo e metodo per la classificazione tissutale
IT201900025306A1 (it) 2019-12-23 2021-06-23 Imedicals S R L Dispositivo e metodo per il monitoraggio di trattamenti hifu
CN111951229A (zh) * 2020-07-22 2020-11-17 国网安徽省电力有限公司电力科学研究院 一种基于全连接层增广的小金具图像数据集训练方法
CN112164462A (zh) * 2020-09-27 2021-01-01 华南理工大学 一种乳腺癌风险评估方法、系统、介质及设备
CN112164462B (zh) * 2020-09-27 2022-05-24 华南理工大学 一种乳腺癌风险评估方法、系统、介质及设备
CN112631888A (zh) * 2020-12-30 2021-04-09 航天信息股份有限公司 分布式系统的故障预测方法、装置、存储介质及电子设备
CN112634272A (zh) * 2021-03-09 2021-04-09 四川大学 基于深度神经网络的乳腺超声成像质量监控系统及方法
CN112634272B (zh) * 2021-03-09 2021-06-01 四川大学 基于深度神经网络的乳腺超声成像质量监控系统及方法
CN112687391A (zh) * 2021-03-15 2021-04-20 四川大学 一种乳腺超声图像病灶智能识别防漏判系统的构建方法
CN113256605A (zh) * 2021-06-15 2021-08-13 四川大学 一种基于深度神经网络的乳腺癌图像识别分类方法
CN116468654A (zh) * 2023-02-01 2023-07-21 北京纳通医用机器人科技有限公司 图像处理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108230311A (zh) 一种乳腺癌检测方法及装置
CN106897573B (zh) 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统
Zheng et al. Artificial intelligence in digital cariology: a new tool for the diagnosis of deep caries and pulpitis using convolutional neural networks
CN102395975B (zh) 临床决策支持系统和方法
NL2010613C2 (en) Systems, apparatus and processes for automated medical image segmentation using a statistical model field of the disclosure.
CN1663530B (zh) 用于处理图像数据以帮助检测疾病的方法和装置
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
Li et al. DenseX-net: an end-to-end model for lymphoma segmentation in whole-body PET/CT images
Waite et al. A review of perceptual expertise in radiology-how it develops, how we can test it, and why humans still matter in the era of artificial intelligence
CN108694718A (zh) 直肠癌术前同期新辅助放化疗疗效评估系统和方法
CN112309576A (zh) 基于深度学习ct影像组学的结直肠癌生存期预测方法
CN1934589A (zh) 为医学成像提供自动决策支持的系统和方法
CN1914617A (zh) 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法
KR20090019837A (ko) 임상의가 구동하는 예-기반의 컴퓨터 보조 진단법
CN112151155A (zh) 基于人工智能的超声影像智能培训方法、系统及应用系统
CN111210899A (zh) 临床试验研究中的医学影像阅片方法和系统
JPWO2020158717A1 (ja) 学習済みモデル、学習方法、及びプログラム、並びに医用情報取得装置、方法、及びプログラム
Lin et al. Using deep learning in ultrasound imaging of bicipital peritendinous effusion to grade inflammation severity
Ayan et al. Dental student application of artificial intelligence technology in detecting proximal caries lesions
Brown et al. Database design and implementation for quantitative image analysis research
Hsu et al. The application of artificial intelligence to support biliary atresia screening by ultrasound images: A study based on deep learning models
CN101796559B (zh) 基于接收器操作特性的训练
Javed et al. Deep learning techniques for diagnosis of lungs cancer
Wang et al. A Framework for Interpretability in Machine Learning for Medical Imaging
Bhushan Liver cancer detection using hybrid approach-based convolutional neural network (HABCNN)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180629

RJ01 Rejection of invention patent application after publication