CN108550150B - 乳腺密度的获取方法、设备及可读存储介质 - Google Patents

乳腺密度的获取方法、设备及可读存储介质 Download PDF

Info

Publication number
CN108550150B
CN108550150B CN201810343668.4A CN201810343668A CN108550150B CN 108550150 B CN108550150 B CN 108550150B CN 201810343668 A CN201810343668 A CN 201810343668A CN 108550150 B CN108550150 B CN 108550150B
Authority
CN
China
Prior art keywords
breast
image
segmentation
gland
mlo
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.)
Active
Application number
CN201810343668.4A
Other languages
English (en)
Other versions
CN108550150A (zh
Inventor
邵影
姜娈
李强
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201810343668.4A priority Critical patent/CN108550150B/zh
Publication of CN108550150A publication Critical patent/CN108550150A/zh
Application granted granted Critical
Publication of CN108550150B publication Critical patent/CN108550150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种乳腺密度的获取方法、设备以及可读存储介质。该方法包括：根据输入的待检测乳腺图像和预设的分割模型，获取乳房分割结果图像和腺体分割结果图像；其中，预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的；根据乳房分割结果图像和腺体分割结果图像计算腺体量值与乳房量值的比值；根据比值确定所述待检测乳腺图像的乳腺密度。本发明由于采用了对乳房训练图像和腺体训练图像进行机器学习训练得到的分割模型，其提高了所计算的乳腺密度的准确性，以使得乳腺癌的患病风险预测更加准确直观；并且，由于上述乳房分割结果图像和腺体分割结果图像是通过计算机设备全自动获取的，其提高了计算效率。

Description

乳腺密度的获取方法、设备及可读存储介质
技术领域
本发明涉及医疗领域，特别是涉及一种乳腺密度的获取方法、设备及可读存储介质。
背景技术
随着社会的发展，人类生活的物质条件越来越丰富，但是随之人们的生活压力也越来越大，而乳腺癌作为现代社会的常见疾病深深的困扰着现代女性，该病种的发病率越来越高并且呈现年轻化。因此，为了保证女性健康，需要定期对乳腺进行检查，从而预防疾病的发生。
目前医学上通过对乳腺密度进行观测，从而预测女性罹患乳腺癌的风险。传统技术通过对乳房拍摄的图像，进行人工设置亮度阈值的方式，将黑色的脂肪组织从图像中分离出来，得到白色的腺体图像，从而用于计算乳腺密度。
然而，利用人工设置图像亮度阈值的方式，所计算出来的乳腺密度准确率较低，从而使得对女性罹患乳腺癌的概率计算不准确。
发明内容
基于此，有必要针对传统技术中采用人工设置图像亮度阈值的方式测算出来的乳腺密度准确性低的问题，提供一种乳腺密度的获取方法、设备及可读存储介质。
第一方面，本发明实施例提供一种乳腺密度的获取方法，包括：
根据输入的待检测乳腺图像和预设的分割模型，获取乳房分割结果图像和腺体分割结果图像；其中，所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的；
根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值；
根据所述比值确定所述待检测乳腺图像的乳腺密度。
第二方面，本发明实施例提供一种乳腺密度的获取装置，包括：
图像分割模块，用于根据输入的待检测乳腺图像和预设的分割模型，获取乳房分割结果图像和腺体分割结果图像；其中，所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的；
计算模块，根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值；并根据所述比值确定所述待检测乳腺图像的乳腺密度。
第三方面，本发明实施例提供的一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器用于执行所述计算机程序时实现以下步骤：
根据输入的待检测乳腺图像和预设的分割模型，获取乳房分割结果图像和腺体分割结果图像；其中，所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的；
根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值；
根据所述比值确定所述待检测乳腺图像的乳腺密度。
第四方面，本发明实施例提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据输入的待检测乳腺图像和预设的分割模型，获取乳房分割结果图像和腺体分割结果图像；其中，所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的；
根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值；
根据所述比值确定所述待检测乳腺图像的乳腺密度。
上述乳腺密度的获取方法、设备及可读存储介质，由于采用了对乳房训练图像和腺体训练图像进行机器学习训练得到的分割模型，因而使得通过该分割模型输出的乳房分割结果图像和腺体分割结果图像更为精确，由此可以计算得到更为精确的腺体量值与乳房量值的比值，从而提高了本实施例所计算的乳腺密度的准确性，以使得乳腺癌的患病风险预测更加准确直观；并且，由于上述乳房分割结果图像和腺体分割结果图像是通过计算机设备全自动获取的，其相比手工设置乳腺图像的亮度阈值以分离乳房的脂肪组织和腺体组织的方式，其提高了计算效率，尤其适用于乳腺密度小于25％的图像。
附图说明
图1为一个实施例提供的乳腺密度的获取方法流程示意图；
图2a为MLO位图像示意图；
图2b为CC位图像示意图；
图2c为乳腺分割过程示意图；
图3为另一个实施例提供的乳腺密度的获取方法流程示意图；
图4为又一个实施例提供的乳腺密度的获取方法流程示意图；
图5为又一个实施例提供的乳腺密度的获取方法流程示意图；
图6a为一个实施例提供的2D Vnet的网络结构图；
图6b为一个实施例中确定乳房分割参数的实际值以及腺体分割参数的实际值的过程示意图；
图7为又一个实施例提供的乳腺密度的获取方法流程示意图；
图8为又一个实施例提供的乳腺密度的获取方法流程示意图；
图9为一个实施例提供的乳腺密度的获取装置的结构示意图；
图10为另一个实施例提供的乳腺密度的获取装置的结构示意图；
图11为又一个实施例提供的乳腺密度的获取装置的结构示意图；
图12为又一个实施例提供的乳腺密度的获取装置的结构示意图。
具体实施方式
随着人类科技的发展，现代社会人们的物质生活越来越丰富，然而环境污染、生活压力等社会问题也日益加重。乳腺癌作为现代女性的常见肿瘤，其发病率呈逐渐上涨的趋势。临床统计数据表明，乳腺癌在发病早期的治愈率较高，因而女性乳腺癌的早期筛查是提高早期检出率的关键，通过及早的识别高危患者并进行充分治疗可以降低乳腺癌的死亡率。
通常，医学上对乳腺癌患病概率的测算是通过对人体的乳腺密度进行测算来判断。常见的方法是，采集乳腺图像，并将采集到的乳腺图像进行人工标定亮度阈值的方法，将图像中白色的乳腺腺体从黑色的脂肪组织中分离出来，从而计算乳腺密度。
然而，通过人工设置图像亮度阈值的方式对乳腺图像中的白色腺体进行分离，由于其亮度阈值的设置主观性较强，因而分离出乳腺图像的区域精度有限，导致测算出来的乳腺密度不准确，从而使得对乳腺癌患病概率测算准确度不高，且该方法费时费力。本发明实施例提供的乳腺密度的获取方法旨在解决传统技术的如上技术问题。
需要说明的是，本发明实施例提供的乳腺密度的获取方法，其执行主体可以是乳腺密度的获取装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，该计算机设备可以为PC、便携式设备、服务器等具有数据处理功能的电子设备，本实施例对计算机设备的具体形式并不做限定。下述方法实施例的执行主体以计算机设备为例来进行说明。
为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
图1为一个实施例提供的乳腺密度的获取方法的流程示意图，本实施例涉及的是计算机设备根据所输入的待检测乳腺图像和预设的分割模型获取乳腺密度的具体过程。如图1所示，该方法包括：
S101、根据输入的待检测乳腺图像和预设的分割模型，获取乳房分割结果图像和腺体分割结果图像；其中，所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习(machine learning)训练得到的。
需要说明的是，计算机设备将待检测的乳腺图像作为上述预设的分割模型的输入，该原始乳腺图像可以为MLO位图像，即内侧斜位乳腺图像，可以参见图2a所示，也可以为CC位图像，即乳腺轴位图像，可以参见图2b所示。另外，上述预设的分割模型包含待检测的乳腺图像分别与目标乳房分割结果图像和目标腺体分割结果图像的映射关系，具体为，将待检测的乳腺图像输入至该预设的分割模型，该分割模型根据其包含的映射关系，可以根据输入得到输出对应的乳房分割结果图像和腺体分割结果图像。
可选的，上述机器学习训练得到的分割模型，该分割模型可以采用基于卷积神经网络(convolut ional neural network)的分割模型、基于决策树学习的分割模型、基于聚类算法的分割模型或者基于人工神经网络的分割模型等。
可选的，上述分割模型可以包括乳房分割网络和腺体分割网络，图2c为腺体分割过程示意图，参见图2c所示，首先，计算机设备可以将上述待检测的乳腺图像①输入至上述乳房分割网络，得到乳房标识图像②；其次，计算机设备通过将该乳房标识图像②与上述原始乳腺图像①进行卷积相乘，得到乳房分割结果图像③；再次，计算机设备将乳房分割结果图像③输入腺体分割网络，得到腺体分割结果图像④。
可选的，上述原始乳腺图像可以为其他显影设备拍摄得到原始图像文件，例如可以为利用数字平板X线成像系统(Digital Radiography，DR)采集的X光片，也可以为利用电子计算机断层扫描系统(Computed Tomography,CT)采集得到的CT图像或其他显影设备拍摄到的乳腺图像进行处理后的图像文件，对此本实施例并不做限定，只要该待检测的乳腺图像可以满足上述分割模型的使用要求即可。
可选的，计算机设备可以对上述待检测的乳腺图像进行预处理操作，得到满足预设的图像格式要求的乳腺图像，以便上述分割模型进行处理。具体的，该预处理操作包括：对输入的待检测的乳腺图像进行填充。需要说明的是，由于上述分割模型对输入的待检测的乳腺图像有高度和宽度的要求，而不同的显影设备所拍摄的乳腺图像可能存在大小不统一以及高度和宽度不满足预设的图像格式要求的情况，因而通过对乳腺图像进行填充使得乳腺图像满足预设的高度和宽度。可选的，通过对显影设备所拍摄的图像的数据进行统计，可以得知显影设备所拍摄的图像通常为高度大于宽度，且高度为像素点不超过3530的长方形图像，通常图像背景区域是黑色，其像素为0。因此，填充策略可以为：
判断待检测的乳腺图像的高度是否是3530，若待检测的乳腺图像的高度是3530，则继续判断该待检测的乳腺图像为左侧乳腺图像还是右侧乳腺图像，若该待检测的乳腺图像为左侧乳腺图像，则在该待检测的乳腺图像的右侧填充像素0，使得该待检测的乳腺图像的宽度为3530；若该待检测的乳腺图像为右侧乳腺图像，则在该待检测的乳腺图像的的左侧填充像素0，使得该待检测的乳腺图像的宽度为3530；若待检测的乳腺图像的高度不是3530，则继续判断该待检测的乳腺图像为左侧乳腺图像还是右侧乳腺图像，若该待检测的乳腺图像为左侧乳腺图像，则在该待检测的乳腺图像的下侧和右侧填充像素0，使得该待检测的乳腺图像的高度和宽度为3530；若该待检测的乳腺图像为右侧乳腺图像，则在该待检测的乳腺图像的的下侧和左侧填充像素0，使得该待检测的乳腺图像的高度和宽度为3530。通过对待检测的乳腺图像进行填充，得到大小符合预设的图像格式要求的第一乳腺图像。
其次，将上述第一乳腺图像进行灰度截断操作，得到第二乳腺图像，具体的，该灰度截断操作具体为：统计显影设备所拍摄的多张乳腺图像的亮度最小值的平均值作为第一亮度阈值，以及统计显影设备所拍摄的多张乳腺图像的亮度最大值的平均值作为第二亮度阈值，去除第一乳腺图像中像素值小于所述第一亮度阈值的像素，以及去除第一乳腺图像中像素值大于所述第二亮度阈值的像素，得到第二乳腺图像。为了便于理解上述灰度截断操作，此处对灰度截断操作进行举例说明：显影设备拍摄N张乳腺图像，并将该N张乳腺图像中每张乳腺图像的最小亮度值以及最大亮度值进行统计，并求得该最小亮度值的平均值以及最大亮度值得平均值，并将该最小亮度值得平均值和最大亮度值得平均值分别设为第一亮度阈值和第二亮度阈值，假定该第一亮度阈值为50，以及，该第二亮度阈值为450，则取出该第一乳腺图像中亮度值小于50，以及亮度值大于450的像素，得到符合预设的图像格式要求第二乳腺图像。
再次，对上述第二乳腺图像的像素进行像素归一化处理以及下采样处理，得到满足所述图像格式要求的乳腺图像。
S102、根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值。
其中，上述乳房量值为表征乳房含量的数值，其可以是乳房面积，也可以是乳房体积，以及上述腺体量值为表征腺体含量的数值，其可以是腺体面积，也可以是腺体体积。示例性的，上述乳房分割结果图像中包含可以区分的乳房脂肪部分图像，以及上述腺体分割结果图像中包含可以区分的腺体部分的图像，可选的，计算机设备根据该可以区分的乳房脂肪部分图像和可以区分的腺体部分的图像，能够得到该乳房分割结果图像和腺体分割结果图像的腺体面积以及乳房面积，并将该腺体面积除以乳房面积，从而得到腺体面积与乳房面积的比值；可选的，计算机设备还可以根据该可以区分的乳房脂肪部分图像和可以区分的腺体部分的图像，能够得到该乳房分割结果图像的乳房体积和腺体分割结果图像腺体体积，并将该腺体体积除以乳房体积，从而得到腺体体积与乳房体积的比值。
S103、根据所述比值确定所述待检测乳腺图像的乳腺密度。
具体的，计算机设备根据上述计算得到的比值自动确定乳腺密度。在一个实施例中，如腺体量值与乳房量值的腺体比值为1：1，则可确定乳腺密度为50％。在一个实施例中，如腺体量值与乳房量值的腺体比值为2：3，则可确定乳腺密度为40％。通过上述操作可确定乳腺属于致密型、腺体型、退化型或者萎缩型等。
需要说明的是，对乳腺密度的准确测算依赖于对乳房中的脂肪组织和腺体组织的准确分割。然而，实际测算过程中，一方面，由于所拍摄的乳腺图像中的腺体组织，其在乳房中的分布不均匀且形状不固定，所以造成腺体组织的分割不准确；另一方面，在拍摄乳腺图像的过程中，常常由于拍摄角度等原因，所拍摄出来的乳腺图像不仅存在乳房部分，还有可能存在胸部肌肉的图像或腹部脂肪的图像，因而需要对乳腺图像中的非乳房的部分进行分割，例如，在MLO位图像中常常会由于乳腺腺体与胸壁线位置临近且图像亮度的对比度不高，造成胸部肌肉与乳房的分割不不准确。由于上述因素使得腺体分割不准确，从而影响乳腺密度测算的准确性。因此，准确的对乳房中的脂肪组织和腺体组织进行分割是实现准确测算乳腺密度，进而准确预测乳腺癌患病概率的必要条件。
本实施例中，由于采用了对乳房训练图像和腺体训练图像进行机器学习训练得到的分割模型，因而使得通过该分割模型输出的乳房分割结果图像和腺体分割结果图像更为精确，由此可以计算得到更为精确的腺体量值与乳房量值的比值，从而提高了本实施例所计算的乳腺密度的准确性，以使得乳腺癌的患病风险预测更加准确直观；并且，由于上述乳房分割结果图像和腺体分割结果图像是通过计算机设备全自动获取的，其相比手工设置乳腺图像的亮度阈值以分离乳房的脂肪组织和腺体组织的方式，其提高了计算效率，尤其适用于乳腺密度小于25％的图像。
上述实施例中列举了计算机设备如何根据输入的待检测乳腺图像和预设的分割模型，获取乳腺密度的过程，下面通过下述的实施例描述上述预设的分割模型的训练过程。需要说明的是，以下方法仅用于解释本发明而不用于对本发明进行限定。
图3为另一个实施例提供的乳腺密度的获取方法流程示意图，本实施例涉及的是计算机设备如何确定上述分割模型的具体过程。可选的，在上述图1所示的实施例的基础上，S101之前还可以包括：
S201、根据所述乳房训练图像和初始分割模型，确定乳房分割参数的实际值和腺体分割参数的实际值；其中，所述初始分割模型包括初始乳房分割网络和初始腺体分割网络，所述初始乳房分割网络中包含乳房分割参数的初始设定值，所述初始腺体分割网络中包含腺体分割参数的初始设定值，所述乳房训练图像包括：MLO位训练图像、CC位训练图像、MLO位乳房分割金标准图像、CC位乳房分割金标准图像、MLO位腺体分割金标准图像和CC位腺体分割金标准图像。
需要说明的是，上述乳房分割参数的初始设定值以及腺体分割参数的初始设定值为上述初始分割模型中的初始设定值，该初始设定值可以是根据经验设定的经验值，也可以是借鉴其他类似的相关模型得到的参考值，对此本实施例不做限定。
具体的，上述乳房训练图像可以包括已知的输入图像和已知的输出图像，已知的输入图像可以为MLO位训练图像和CC位训练图像，已知的输出图像可以为MLO位乳房分割金标准图像、CC位乳房分割金标准图像、MLO位腺体分割金标准图像和CC位腺体分割金标准图像。其中，上述已知的输入图像和已知的输出图像之间具有一一对应关系。
当计算机设备得到乳房训练图像之后，将乳房训练图像中的MLO位训练图像和CC位训练图像输入初始分割模型，通过该初始分割模型进行计算，并输出待收敛的MLO位乳腺图像和待收敛的CC位乳腺图像。进一步的，计算机设备通过将该初始分割模型输出的待收敛的MLO位乳腺图像与和待收敛的CC位乳腺图像与MLO位乳房分割金标准图像、CC位乳房分割金标准图像、MLO位乳腺分割金标准图像和CC位乳腺分割金标准图像之间的相关性进行收敛限定，可以得到乳房分割参数的实际值和腺体分割参数的实际值。可选的，上述MLO位乳房分割金标准图像和CC位乳房分割金标准图像为通过人工对MLO位乳腺图像和CC位乳腺图像分别进行乳房区域标定，并通过ITK-SNAP软件进行人工阈值精调得到的图像，以及，上述MLO位腺体分割金标准图像和CC位腺体分割金标准图像为通过人工对MLO位腺体图像和CC位腺体图像分别进行乳腺区域标定的图像，并通过ITK-SNAP软件进行人工阈值精调得到的。其中，初始分割模型中所包括的乳房分割参数的初始设定值以及腺体分割参数的初始设定值为上述初始分割模型中的已知的数据。需要说明的是，上述乳房分割参数的实际值和腺体分割参数的实际值的计算过程，是基于神经网络模型，采用机器学习训练方法，对上述初始分割模型进行训练得到的，其可能的实现方式可以参见下述图4和图5所示实施例的描述。
S202、将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值，得到所述分割模型中的乳房分割网络。
S203、将所述腺体分割参数的初始设定值替换为所述腺体分割参数的实际值，得到所述分割模型中的腺体分割网络。
本实施例中，由于所确定的乳房分割参数的实际值以及腺体分割参数的实际值是基于神经网络模型，采用机器学习训练方法，通过乳房训练图像和初始分割模型训练所确定的，因而该分割模型的特性参数更加接近乳腺图像的实际特性，故而通过该分割模型分割出的乳腺图像更为精确，因此极大的提高了乳腺密度测算的准确性，进一步提高了乳腺癌患病概率的预测的准确性。
图4为又一个实施例提供的乳腺密度的获取方法流程示意图，本实施例涉及的是根据所述乳房训练图像和初始分割模型，确定乳房分割参数的实际值和腺体分割参数的实际值的具体过程。在上述实施例的基础上，可选的，如图4所示，S201具体可以包括：
S301、当所述MLO位训练图像和所述CC位训练图像不满足所述分割模型的图像格式要求时，根据乳房的位置和所述图像格式要求对所述MLO位训练图像和所述CC位训练图像进行处理，得到满足所述图像格式要求的第一MLO位训练图像和第一CC位训练图像。
具体的，计算机设备根据乳房的位置和所述图像格式要求对MLO位训练图像和CC位训练图像进行处理，可以包括：首先，对MLO位训练图像和CC位训练图像进行填充，得到大小符合预设的图像格式要求的图像；其次将大小符合预设的图像格式要求的图像进行灰度截断操作，该灰度截断操作具体可以参见前文所述；再次，对执行灰度截断操作后的图像进行像素归一化处理以及下采样处理，从而得到满足所述图像格式要求的第一MLO位训练图像和第一CC位训练图像。
S302、根据所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像、所述CC位乳房分割金标准图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像以及初始分割模型，确定所述乳房分割参数的实际值和所述腺体分割参数的实际值。
具体的，当计算机设备得到第一MLO位训练图像和第一CC位训练图像时，计算机设备将满足图像格式要求的第一MLO位训练图像和第一CC位训练图像输入至初始分割模型，并根据该初始分割模型对应输出的MLO位乳腺图像和CC位乳腺图像分别与MLO位乳房分割金标准图像和CC位乳房分割金标准图像之间的收敛关系，确定乳房分割参数的实际值；以及根据根据该初始分割模型对应输出的MLO位腺体图像和CC位腺体图像分别与MLO位腺体分割金标准图像和CC位腺体分割金标准图像之间的收敛关系，确定腺体分割参数的实际值。
可选的，上述确定乳房分割参数的实际值和所述腺体分割参数的实际值的过程还可以参见图5所示的实施例。可选的，如图5所示，S302具体可以包括：
S401、将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络中，并采用机器学习训练方法，得到所述乳房分割参数的实际值。
可选的，上述采用机器学习训练方法，得到所述乳房分割参数的实际值的具体过程，可以参见图7所示，具体可以包括：
S501、执行第一处理操作，所述第一处理操作包括：确定将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络之后，所述初始乳房分割网络输出的MLO位乳房待收敛图像和CC位乳房待收敛图像；判断所述MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像是否满足第一收敛条件，以及判断所述CC位乳房待收敛图像与所述CC位乳房分割金标准图像是否满足第二收敛条件。
S502、若否，则调整所述初始乳房分割网络中的乳房分割参数的值，并返回执行所述第一处理操作，直至所得到的新的MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像满足所述第一收敛条件，以及新的CC位乳房待收敛图像与所述CC位乳房分割金标准图像满足所述第二收敛条件为止，并将调整后的乳房分割参数的值作为所述乳房分割参数的实际值。
具体的，当计算机设备将第一MLO位训练图像、第一CC位训练图像、MLO位乳房分割金标准图像和CC位乳房分割金标准图像输入至初始乳房分割网络之后，该初始乳房分割网络根据其包含的映射关系，输出MLO位乳房待收敛图像和CC位乳房待收敛图像，并判断该MLO位乳房待收敛图像与上述MLO位乳房分割金标准图像是否满足第一收敛条件，以及该CC位乳房待收敛图像与上述CC位乳房分割金标准图像是否满足第二收敛条件，若不满足，计算机设备则调整乳房分割参数的值，并返回执行第一处理操作，即重新将第一MLO位训练图像、第一CC位训练图像、MLO位乳房分割金标准图像和CC位乳房分割金标准图像输入至调整后的乳房分割网络，该调整后的乳房分割网络根据其调整后的映射关系，再次输出新的MLO位乳房待收敛图像和新的CC位乳房待收敛图像，并再次判断输出的新的MLO位乳房待收敛图像与上述MLO位乳房分割金标准图像是否满足第一收敛条件，以及判断输出的新的CC位乳房待收敛图像与上述CC位乳房分割金标准图像是否满足第二收敛条件，若否，则继续调整乳房分割参数的值，直到上述乳房分割网络输出的新的MLO位乳房待收敛图像与上述MLO位乳房分割金标准图像满足第一收敛条件，以及乳房分割网络输出的新的CC位乳房待收敛图像与上述CC位乳房分割金标准图像满足第二收敛条件为止。
S402、将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值，得到所述乳房分割网络以及所述乳房分割网络当前输出的MLO位训练标识图像和CC位训练标识图像。
需要说明的是，该MLO位训练标识图像和CC位训练标识图像为，包含了已经确定的乳房分割参数的实际值的乳房分割网络，根据上述第一MLO位训练图像和上述第一CC位训练图像输出的图像。
S403、将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络中，并采用机器学习训练方法，得到所述腺体分割参数的实际值。
可选的，上述机器学习训练方法，得到所述腺体分割参数的实际值，可以参见图8所示，具体可以包括：
S601、执行第二处理操作，所述第二处理操作包括：确定将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络之后，所述初始腺体分割网络输出的MLO位腺体待收敛图像和CC位腺体待收敛图像；判断所述MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像是否满足第三收敛条件，以及判断所述CC位腺体待收敛图像与所述CC位腺体分割金标准图像是否满足第四收敛条件。
S602、若否，则调整所述初始腺体分割网络中的腺体分割参数的值，并返回执行所述第二处理操作，直至所得到的新的MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像满足所述第三收敛条件，以及新的CC位腺体待收敛图像与所述CC位腺体分割金标准图像满足所述第四收敛条件为止，并将调整后的腺体分割参数的值作为所述腺体分割参数的实际值。
具体的，当计算机设备将MLO位训练标识图像、CC位训练标识图像、MLO位腺体分割金标准图像、CC位腺体分割金标准图像输入至初始腺体分割网络之后，该初始腺体分割网络根据其包含的映射关系，输出MLO位腺体待收敛图像和CC位腺体待收敛图像，并判断该MLO位腺体待收敛图像与上述MLO位腺体分割金标准图像是否满足第三收敛条件，以及该CC位腺体待收敛图像与上述CC位腺体分割金标准图像是否满足第四收敛条件，若不满足，计算机设备则调整腺体分割参数的值，并返回执行第二处理操作，即重新将MLO位训练标识图像、CC位训练标识图像、MLO位腺体分割金标准图像和CC位腺体分割金标准图像输入至调整后的腺体分割网络，该调整后的腺体分割网络根据其调整后的映射关系，再次输出新的MLO位腺体待收敛图像和新的CC位腺体待收敛图像，并再次判断输出的新的MLO位腺体待收敛图像与上述MLO位腺体分割金标准图像是否满足第三收敛条件，以及判断输出的新的CC位腺体待收敛图像与上述CC位腺体分割金标准图像是否满足第四收敛条件，若否，则继续调整腺体分割参数的值，直到上述腺体分割网络输出的新的MLO位腺体待收敛图像与上述MLO位腺体分割金标准图像满足第三收敛条件，以及腺体分割网络输出的新的CC位腺体待收敛图像与上述CC位腺体分割金标准图像满足第四收敛条件为止。
可选的，在上述实施例中，所述第一收敛条件包括：所述MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像之间的代价函数的值位于预设的第一收敛范围内，以及，所述第二收敛条件包括：所述CC位乳房待收敛图像与所述CC位乳房分割金标准图像之间的代价函数的值位于预设的第二收敛范围内。
需要说明的是，上述第一收敛范围可以是一个预设的数值范围，例如，-0.2～0.2，即MLO位乳房待收敛图像与MLO位乳房分割金标准图像之间的代价函数的值位于-0.2～0.2之间，同样的，上述第二收敛范围也可以是一个预设的数值范围，例如，-0.2～0.2，即CC位乳房待收敛图像与CC位乳房分割金标准图像之间的代价函数的值位于-0.2～0.2之间。可选的，该预设的第一收敛范围和第二收敛范围还可以为其他数值范围，且该数值范围的设定与所需要的图像分割精度直接相关，以MLO位图像为例，当第一收敛范围小时，例如-0.1～0.1，则代价函数的值更为接近0，表明MLO位乳房待收敛图像与MLO位乳房分割金标准图像更加接近，因此该分割模型中的乳房分割参数的值与乳腺图像的实际特征更加接近，从而通过该分割模型得到的乳房结果图像，其腺体和乳房分离的更加精准；当第一收敛范围大时，则代价函数的值大，可以使得计算机设备得到MLO位乳房待收敛图像与MLO位乳房分割金标准图像的第一收敛条件达到满足第一收敛范围的速度更快，从而在获取满足使用需求的同时，其获取的乳房结果图像的速度更快，提高了计算效率。
可选的，上述实施例中，确定乳房分割参数的实际值以及腺体分割参数的实际值的过程示意图可以参考图6b所示，其中，⑤为第一MLO位训练图像，⑥为第一CC位训练图像，⑦为MLO位乳房分割金标准图像，⑧为CC位乳房分割金标准图像，⑨为MLO位训练标识图像，⑩为CC位训练标识图像，
Figure BDA0001631404270000121
为MLO位腺体分割金标准图像，以及
Figure BDA0001631404270000122
CC位腺体分割金标准图像。
可选的，在上述实施例中，所述第三收敛条件包括：所述MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像之间的代价函数的值位于预设的第三收敛范围内；以及，所述第四收敛条件包括：所述CC位腺体待收敛图像与所述CC位腺体分割金标准图像之间的代价函数的值位于预设的第四收敛范围内。
需要说明的是，上述第三收敛范围可以是一个预设的数值范围，例如，-0.2～0.2，即MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像之间的代价函数的值位于-0.2～0.2之间，同样的，上述第四收敛范围也可以是一个预设的数值范围，例如，-0.2～0.2，即CC位腺体待收敛图像与CC位腺体分割金标准图像之间的代价函数的值位于-0.2～0.2之间。可选的，该预设的第三收敛范围和第四收敛范围还可以为其他数值范围，且该数值范围的设定与所需要的图像分割精度直接相关，其设置方法可以参考第一收敛范围和第二收敛范围，此处不再赘述。
可选的，本实施例中，可以采用卷积神经网络的深度学习算法是基于2D Vnet网络模型训练的，该2D Vnet的网络结构图可以参见图6a所示。其中，卷积神经网络是一种有监督学习算法，其能够在不需要任何数学表达式的情况下，通过对第一MLO位训练图像和第一CC位训练图像进行训练学习，从而得到第一MLO位训练图像和第一CC位训练图像以及其相应的输出之间的映射关系。
为了便于理解上述实施例，这里对卷积神经网络的深度学习算法进行举例说明。卷积神经网络的深度学习算法为，输入训练样本Xj，该训练样本Xj具有与其一一对应的标签指导网络Ypj，机器学习方法是需要将该标签指导网络向着损失函数最小化的方向更新网络的权值Wj以及网络修正参数bj。其中，卷积神经网络的训练算法分为两个阶段：第一阶段为向前传播阶段：首先从训练样本的数据集中选取一个样本(Xj，Ypj)，将Xj输入训练模型中，并计算相应的实际输出Opj；第二阶段为向后传播阶段，计算标签指导网络Ypj与Opj之间的代价函数，该代价函数表征了实际输出Opj与相应的标签指导网络Ypj之间的误差，并按照梯度下降法沿着代价函数参数的梯度相反方向来更新模型参数。在本实施例中，输入的训练样本Xj为MLO位乳房训练图像和CC位乳房训练图像，Ypj为MLO位乳房分割金标准图像、CC位乳房分割金标准图像、MLO位乳腺分割金标准图像以及CC位乳腺分割金标准图像，其中，MLO位乳房训练图像对应的标签指导网络为MLO位乳房分割金标准图像和MLO位乳腺分割金标准图像，且CC位乳房训练图像对应的标签指导网络为CC位乳房分割金标准图像和CC位乳腺分割金标准图像。根据z＝Wj×Xj+b，其中，z为Xi对应的模型输出。可选的，代价函数C可以为满足
Figure BDA0001631404270000131
的关系式，其中a为神经元的实际输出，且a＝σ(z)。上述按照梯度下降法沿着代价函数
参数的梯度相反方向来更新模型参数，具体为，计算参数w的梯度：
Figure BDA0001631404270000132
其中，σ'(z)＝σ(z)(1-σ(z))。w的梯度公式中，σ(z)-y表示输出值与实际值之间的误差。所以，当误差越大，梯度就越大，参数w调整得越快，训练速度也就越快。同理可得，b的梯度为：
Figure BDA0001631404270000141
将原始权重和网络修正参数减去一定比例的对应的梯度即为更新的后权重和网络修正参数。不断迭代上述过程，直至网络收敛，取得最佳的权重和网络修正参数，从而完成网络的训练过程。
本实施例中，通过分别采用机器学习训练方法，得到更加接近世实际乳腺图像特征的乳房分割参数的实际值以及腺体分割参数的实际值，以使得该分割模型的特性更加接近乳腺图像的实际特性，故而通过该分割模型分割出的乳腺图像更为精准，以使得测算的乳腺密度更加准确。
在一个实施例中,可根据待检测乳腺图像的乳腺密度将待检测乳腺图像分级。例如，可根据待检测乳腺图像的乳腺密度将待检测乳腺图像划分为ACR1级、ACR2级、ACR3级或ACR4级中的一种。在此实施例中，ACR1级为全脂肪型，ACR2为散在纤维腺体组织型，两者都为低密度组；ACR3级为密度不均匀型，ACR4级为致密型，两者为高密度组。进一步地，还可根据待检测乳腺图像分级结果输出检测诊断提示信息，例如：当待检测乳腺图像分级为低密度组，则提示风险等级为低；当待检测乳腺图像分级为高密度组，则提示风险等级为高。
在另一个实施例中，可分别获取受检者的第一待检测乳腺图像、第二待检测乳腺图像，其中第二待检测乳腺图像与第一待检测乳腺图像分别对应受检者不同的时间。例如，第一待检测乳腺图像为受检者半年前的乳腺检测结果，第二待检测乳腺图像为现在时刻的乳腺检测结果。将第一待检测乳腺图像输入预设的分割模型，获取第一乳房分割结果图像和第一乳腺体分割结果图像；该腺体预设的分割模型包括乳腺图像与所包含乳房图像的映射关系和/或乳腺图像与所包含腺体图像的映射关系。同时，将第二待检测乳腺图像输入预设的分割模型，获取第二乳房分割结果图像和第二乳腺体分割结果图像。进一步地，根据第一乳房分割结果图像和第一腺体分割结果图像可计算第一腺体量值与第一乳房量值的比值，并根据该比值确定第一待检测乳腺图像的乳腺密度。同样地，根据第二乳房分割结果图像和第二腺体分割结果图像计算第二腺体量值与第二乳房量值的比值，并根据该比值确定所述第二待检测乳腺图像的乳腺密度。比较第一待检测乳腺图像的乳腺密度与第二待检测乳腺图像的乳腺密度，可获取受检者的腺体变化结果。示例性地，受检者的腺体变化结果可包括腺体增厚、腺体增加、腺体变小或腺体收缩等。进一步地，该腺体变化结果可辅助医师进一步确定受检者的乳腺癌发生几率。
图9为一个实施例提供的乳腺密度的获取装置的结构示意图。如图9所示，该装置包括：图像分割模块11和计算模块12。
具体的，图像分割模块11，用于根据输入的待检测乳腺图像和预设的分割模型，获取乳房分割结果图像和腺体分割结果图像；其中，所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的。
计算模块12，用于根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值，根据所述比值确定所述待检测乳腺图像的乳腺密度。
本实施例提供的乳腺密度的获取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图10为另一个实施例提供的乳腺密度的获取装置的结构示意图。在上述图7实施例的基础上，如图10所示，该装置还包括：确定模块13和替换模块14。
具体的，确定模块13，用于根据所述乳房训练图像和初始分割模型，确定乳房分割参数的实际值和腺体分割参数的实际值；其中，所述初始分割模型包括初始乳房分割网络和初始腺体分割网络，所述初始乳房分割网络中包含乳房分割参数的初始设定值，所述初始腺体分割网络中包含腺体分割参数的初始设定值，所述乳房训练图像包括：MLO位训练图像、CC位训练图像、MLO位乳房分割金标准图像、CC位乳房分割金标准图像、MLO位腺体分割金标准图像和CC位腺体分割金标准图像。
替换模块14，用于将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值，得到所述分割模型中的乳房分割网络；并将所述腺体分割参数的初始设定值替换为所述腺体分割参数的实际值，得到所述分割模型中的腺体分割网络。
本实施例提供的乳腺密度的获取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图11为又一个实施例提供的乳腺密度的获取装置的结构示意图。在上述图10实施例的基础上，如图11所示，上述确定模块13具体可以包括：预处理单元131和第一确定单元132。
具体的，预处理单元131，用于当所述MLO位训练图像和所述CC位训练图像不满足所述分割模型的图像格式要求时，根据乳房的位置和所述图像格式要求对所述MLO位训练图像和所述CC位训练图像进行处理，得到满足所述图像格式要求的第一MLO位训练图像和第一CC位训练图像。
第一确定单元132，用于根据所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像、所述CC位乳房分割金标准图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像以及初始分割模型，确定所述乳房分割参数的实际值和所述腺体分割参数的实际值。
本实施例提供的乳腺密度的获取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图12为又一个实施例提供的乳腺密度的获取装置的结构示意图。在上述图11实施例的基础上，如图12所示，上述第一确定单元132具体可以包括：第一确定子单元1321和第二确定子单元1322。
具体的，第一确定子单元1321，用于将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络中，并采用机器学习训练方法，得到所述乳房分割参数的实际值，并将将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值，得到所述乳房分割网络以及所述乳房分割网络当前输出的MLO位训练标识图像和CC位训练标识图像；
第二确定子单元1322，用于将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络中，并机器学习训练方法，得到所述腺体分割参数的实际值。
本实施例提供的乳腺密度的获取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，上述第一确定子单元1321，具体用于所述第一处理操作包括：确定将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络之后，所述初始乳房分割网络输出MLO位乳房待收敛图像和CC位乳房待收敛图像；判断所述MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像是否满足第一收敛条件，以及判断所述CC位乳房待收敛图像与所述CC位乳房分割金标准图像是否满足第二收敛条件；若否，则调整所述初始乳房分割网络中的乳房分割参数的值，并返回执行所述第一处理操作，直至所得到的新的MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像满足所述第一收敛条件，以及新的CC位乳房待收敛图像与所述CC位乳房分割金标准图像满足所述第二收敛条件为止，并将调整后的乳房分割参数的值作为所述乳房分割参数的实际值。
本实施例提供的乳腺密度的获取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，第二确定子单元1322，具体用于执行第二处理操作，所述第二处理操作包括：确定将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络之后，所述初始腺体分割网络输出的MLO位腺体待收敛图像和CC位腺体待收敛图像；判断所述MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像是否满足第三收敛条件，以及判断所述CC位腺体待收敛图像与所述CC位腺体分割金标准图像是否满足第四收敛条件；若否，则调整所述初始腺体分割网络中的腺体分割参数的值，并返回执行所述第二处理操作，直至所得到的新的MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像满足所述第三收敛条件，以及新的CC位腺体待收敛图像与所述CC位腺体分割金标准图像满足所述第四收敛条件为止，并将调整后的腺体分割参数的值作为所述腺体分割参数的实际值。
本实施例提供的乳腺密度的获取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，所述第一收敛条件包括：所述MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像之间的代价函数的值位于预设的第一收敛范围内；所述第二收敛条件包括：所述CC位乳房待收敛图像与所述CC位乳房分割金标准图像之间的代价函数的值位于预设的第二收敛范围内。
本实施例提供的乳腺密度的获取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，所述第三收敛条件包括：所述MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像之间的代价函数的值位于预设的第三收敛范围内；所述第四收敛条件包括：所述CC位腺体待收敛图像与所述CC位腺体分割金标准图像之间的代价函数的值位于预设的第四收敛范围内。
在一个实施例中,可根据待检测乳腺图像的乳腺密度将待检测乳腺图像分级。例如，可根据待检测乳腺图像的乳腺密度将待检测乳腺图像划分为ACR1级、ACR2级、ACR3级或ACR4级中的一种。在此实施例中，ACR1级为全脂肪型，ACR2为散在纤维腺体组织型，两者都为低密度组；ACR3级为密度不均匀型，ACR4级为致密型，两者为高密度组。进一步地，还可根据待检测乳腺图像分级结果输出检测诊断提示信息，例如：当待检测乳腺图像分级为低密度组，则提示风险等级为低；当待检测乳腺图像分级为高密度组，则提示风险等级为高。
在另一个实施例中，可分别获取受检者的第一待检测乳腺图像、第二待检测乳腺图像，其中第二待检测乳腺图像与第一待检测乳腺图像分别对应受检者不同的时间。例如，第一待检测乳腺图像为受检者半年前的乳腺检测结果，第二待检测乳腺图像为现在时刻的乳腺检测结果。将第一待检测乳腺图像输入预设的分割模型，获取第一乳房分割结果图像和第一乳腺体分割结果图像；该腺体预设的分割模型包括乳腺图像与所包含乳房图像的映射关系和/或乳腺图像与所包含腺体图像的映射关系。同时，将第二待检测乳腺图像输入预设的分割模型，获取第二乳房分割结果图像和第二乳腺体分割结果图像。进一步地，根据第一乳房分割结果图像和第一腺体分割结果图像可计算第一腺体量值与第一乳房量值的比值，并根据该比值确定第一待检测乳腺图像的乳腺密度。同样地，根据第二乳房分割结果图像和第二腺体分割结果图像计算第二腺体量值与第二乳房量值的比值，并根据该比值确定所述第二待检测乳腺图像的乳腺密度。比较第一待检测乳腺图像的乳腺密度与第二待检测乳腺图像的乳腺密度，可获取受检者的腺体变化结果。示例性地，受检者的腺体变化结果可包括腺体增厚、腺体增加、腺体变小或腺体收缩等。进一步地，该腺体变化结果可辅助医师进一步确定受检者的乳腺癌发生几率。
本实施例提供的乳腺密度的获取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序在被所述处理器执行时实现如下步骤：获取受检者的第一待检测乳腺图像；获取预设的腺体分割模型；将所述第一待检测乳腺图像输入所述预设的分割模型，获取第一乳房分割结果图像和第一腺体分割结果图像；根据所述第一乳房分割结果图像和所述第一腺体分割结果图像，计算第一腺体量值与第一乳房量值的比值；根据所述第一腺体量值与第一乳房量值的比值确定所述第一待检测乳腺图像的乳腺密度。所述分割模型包括乳腺图像与所包含乳房图像的映射关系、和/或、乳腺图像与所包含腺体图像的映射关系。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述第一待检测乳腺图像的乳腺密度将所述第一待检测乳腺图像分级，所述分级包括ACR1级、ACR2级、ACR3级或ACR4级中的一种。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取受检者的第二待检测乳腺图像，所述第二待检测乳腺图像与所述第一待检测乳腺图像分别对应受检者在不同时刻所获取的待检测乳腺图像；将所述第二待检测乳腺图像输入所述预设的分割模型，获取第二乳房分割结果图像和第二腺体分割结果图像；根据所述第二乳房分割结果图像和所述第二腺体分割结果图像计算第二腺体量值与第二乳房量值的比值；根据所述第二腺体量值与第二乳房量值的比值确定所述第二待检测乳腺图像的乳腺密度；比较所述第一待检测乳腺图像的乳腺密度与所述第二待检测乳腺图像的乳腺密度，获取受检者的腺体变化结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据输入的待检测乳腺图像和预设的分割模型，获取乳房分割结果图像和腺体分割结果图像；其中，所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的；根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值；根据所述比值确定所述待检测乳腺图像的乳腺密度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述乳房训练图像和初始分割模型，确定乳房分割参数的实际值和腺体分割参数的实际值；其中，所述初始分割模型包括初始乳房分割网络和初始腺体分割网络，所述初始乳房分割网络中包含乳房分割参数的初始设定值，所述初始腺体分割网络中包含腺体分割参数的初始设定值，所述乳房训练图像包括：MLO位训练图像、CC位训练图像、MLO位乳房分割金标准图像、CC位乳房分割金标准图像、MLO位腺体分割金标准图像和CC位腺体分割金标准图像；将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值，得到所述分割模型中的乳房分割网络；将所述腺体分割参数的初始设定值替换为所述腺体分割参数的实际值，得到所述分割模型中的腺体分割网络。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当所述MLO位训练图像和所述CC位训练图像不满足所述分割模型的图像格式要求时，根据乳房的位置和所述图像格式要求对所述MLO位训练图像和所述CC位训练图像进行处理，得到满足所述图像格式要求的第一MLO位训练图像和第一CC位训练图像；根据所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像、所述CC位乳房分割金标准图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像以及初始分割模型，确定所述乳房分割参数的实际值和所述腺体分割参数的实际值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络中，并采用机器学习训练方法，得到所述乳房分割参数的实际值；将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值，得到所述乳房分割网络以及所述乳房分割网络当前输出的MLO位训练标识图像和CC位训练标识图像；将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络中，并采用机器学习训练方法，得到所述腺体分割参数的实际值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：执行第一处理操作，所述第一处理操作包括：确定将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络之后，所述初始乳房分割网络输出的MLO位乳房待收敛图像和CC位乳房待收敛图像；判断所述MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像是否满足第一收敛条件，以及判断所述CC位乳房待收敛图像与所述CC位乳房分割金标准图像是否满足第二收敛条件；若否，则调整所述初始乳房分割网络中的乳房分割参数的值，并返回执行所述第一处理操作，直至所得到的新的MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像满足所述第一收敛条件，以及新的CC位乳房待收敛图像与所述CC位乳房分割金标准图像满足所述第二收敛条件为止，并将调整后的乳房分割参数的值作为所述乳房分割参数的实际值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：执行第二处理操作，所述第二处理操作包括：确定将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络之后，所述初始腺体分割网络输出的MLO位腺体待收敛图像和CC位腺体待收敛图像；判断所述MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像是否满足第三收敛条件，以及判断所述CC位腺体待收敛图像与所述CC位腺体分割金标准图像是否满足第四收敛条件；若否，则调整所述初始腺体分割网络中的腺体分割参数的值，并返回执行所述第二处理操作，直至所得到的新的MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像满足所述第三收敛条件，以及新的CC位腺体待收敛图像与所述CC位腺体分割金标准图像满足所述第四收敛条件为止，并将调整后的腺体分割参数的值作为所述腺体分割参数的实际值。
在一个实施例中，所述第一收敛条件包括：所述MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像之间的代价函数的值位于预设的第一收敛范围内；所述第二收敛条件包括：所述CC位乳房待收敛图像与所述CC位乳房分割金标准图像之间的代价函数的值位于预设的第二收敛范围内。
在一个实施例中，所述第三收敛条件包括：所述MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像之间的代价函数的值位于预设的第三收敛范围内；所述第四收敛条件包括：所述CC位腺体待收敛图像与所述CC位腺体分割金标准图像之间的代价函数的值位于预设的第四收敛范围内。
在一个实施例中,处理器执行计算机程序时还实现以下步骤：根据待检测乳腺图像的乳腺密度将待检测乳腺图像分级。例如，处理器可根据待检测乳腺图像的乳腺密度将待检测乳腺图像划分为ACR1级、ACR2级、ACR3级或ACR4级中的一种。在此实施例中，ACR1级为全脂肪型，ACR2为散在纤维腺体组织型，两者都为低密度组；ACR3级为密度不均匀型，ACR4级为致密型，两者为高密度组。进一步地，还可根据待检测乳腺图像分级结果输出检测诊断提示信息，例如：当待检测乳腺图像分级为低密度组，则提示风险等级为低；当待检测乳腺图像分级为高密度组，则提示风险等级为高。
在另一个实施例中，处理器执行计算机程序时还实现以下步骤：分别获取受检者的第一待检测乳腺图像、第二待检测乳腺图像，其中第二待检测乳腺图像与第一待检测乳腺图像分别对应受检者不同的时间。例如，第一待检测乳腺图像为受检者半年前的乳腺检测结果，第二待检测乳腺图像为现在时刻的乳腺检测结果。将第一待检测乳腺图像输入预设的分割模型，获取第一乳房分割结果图像和第一乳腺体分割结果图像；该腺体预设的分割模型包括乳腺图像与所包含乳房图像的映射关系和/或乳腺图像与所包含腺体图像的映射关系。同时，将第二待检测乳腺图像输入预设的分割模型，获取第二乳房分割结果图像和第二乳腺体分割结果图像。进一步地，根据第一乳房分割结果图像和第一腺体分割结果图像可计算第一腺体量值与第一乳房量值的比值，并根据该比值确定第一待检测乳腺图像的乳腺密度。同样地，根据第二乳房分割结果图像和第二腺体分割结果图像计算第二腺体量值与第二乳房量值的比值，并根据该比值确定所述第二待检测乳腺图像的乳腺密度。比较第一待检测乳腺图像的乳腺密度与第二待检测乳腺图像的乳腺密度，可获取受检者的腺体变化结果。示例性地，受检者的腺体变化结果可包括腺体增厚、腺体增加、腺体变小或腺体收缩等。进一步地，该腺体变化结果可辅助医师进一步确定受检者的乳腺癌发生几率。
在一个实施例中，该计算机设备，还包括显示器，该显示器用于显示第一待检测乳腺图像、第一待检测乳腺图像的乳腺密度、第一待检测乳腺图像分级、第二待检测乳腺图像、第二待检测乳腺图像的乳腺密度或受检者的腺体变化结果的一种或多种。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，还提供了一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得计算机执行如下步骤：根据输入的待检测乳腺图像和预设的分割模型，获取乳房分割结果图像和腺体分割结果图像；其中，所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的；根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值；根据所述比值确定所述待检测乳腺图像的乳腺密度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述乳房训练图像和初始分割模型，确定乳房分割参数的实际值和腺体分割参数的实际值；其中，所述初始分割模型包括初始乳房分割网络和初始腺体分割网络，所述初始乳房分割网络中包含乳房分割参数的初始设定值，所述初始腺体分割网络中包含腺体分割参数的初始设定值，所述乳房训练图像包括：MLO位训练图像、CC位训练图像、MLO位乳房分割金标准图像、CC位乳房分割金标准图像、MLO位腺体分割金标准图像和CC位腺体分割金标准图像；将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值，得到所述分割模型中的乳房分割网络；将所述腺体分割参数的初始设定值替换为所述腺体分割参数的实际值，得到所述分割模型中的腺体分割网络
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当所述MLO位训练图像和所述CC位训练图像不满足所述分割模型的图像格式要求时，根据乳房的位置和所述图像格式要求对所述MLO位训练图像和所述CC位训练图像进行处理，得到满足所述图像格式要求的第一MLO位训练图像和第一CC位训练图像；根据所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像、所述CC位乳房分割金标准图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像以及初始分割模型，确定所述乳房分割参数的实际值和所述腺体分割参数的实际值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络中，并采用机器学习训练方法，得到所述乳房分割参数的实际值；将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值，得到所述乳房分割网络以及所述乳房分割网络当前输出的MLO位训练标识图像和CC位训练标识图像；将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络中，并采用机器学习训练方法，得到所述腺体分割参数的实际值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：执行第一处理操作，所述第一处理操作包括：确定将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络之后，所述初始乳房分割网络输出的MLO位乳房待收敛图像和CC位乳房待收敛图像；判断所述MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像是否满足第一收敛条件，以及判断所述CC位乳房待收敛图像与所述CC位乳房分割金标准图像是否满足第二收敛条件；若否，则调整所述初始乳房分割网络中的乳房分割参数的值，并返回执行所述第一处理操作，直至所得到的新的MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像满足所述第一收敛条件，以及新的CC位乳房待收敛图像与所述CC位乳房分割金标准图像满足所述第二收敛条件为止，并将调整后的乳房分割参数的值作为所述乳房分割参数的实际值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：执行第二处理操作，所述第二处理操作包括：确定将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络之后，所述初始腺体分割网络输出的MLO位腺体待收敛图像和CC位腺体待收敛图像；判断所述MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像是否满足第三收敛条件，以及判断所述CC位腺体待收敛图像与所述CC位腺体分割金标准图像是否满足第四收敛条件；若否，则调整所述初始腺体分割网络中的腺体分割参数的值，并返回执行所述第二处理操作，直至所得到的新的MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像满足所述第三收敛条件，以及新的CC位腺体待收敛图像与所述CC位腺体分割金标准图像满足所述第四收敛条件为止，并将调整后的腺体分割参数的值作为所述腺体分割参数的实际值。
在一个实施例中，所述第一收敛条件包括：所述MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像之间的代价函数的值位于预设的第一收敛范围内；所述第二收敛条件包括：所述CC位乳房待收敛图像与所述CC位乳房分割金标准图像之间的代价函数的值位于预设的第二收敛范围内。
在一个实施例中，所述第三收敛条件包括：所述MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像之间的代价函数的值位于预设的第三收敛范围内；所述第四收敛条件包括：所述CC位腺体待收敛图像与所述CC位腺体分割金标准图像之间的代价函数的值位于预设的第四收敛范围内。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种乳腺密度的获取装置，其特征在于，所述装置包括：
图像分割模块，用于根据输入的待检测乳腺图像和预设的分割模型，获取乳房分割结果图像和腺体分割结果图像；其中，所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的，所述乳房训练图像包括：MLO位训练图像、CC位训练图像、MLO位乳房分割金标准图像、CC位乳房分割金标准图像、MLO位腺体分割金标准图像和CC位腺体分割金标准图像；所述机器学习是将标签指导网络向着损失函数最小化的方向更新网络的权值以及网络修正参数，MLO位乳房训练图像对应的标签指导网络为MLO位乳房分割金标准图像和MLO位乳腺分割金标准图像，且CC位乳房训练图像对应的标签指导网络为CC位乳房分割金标准图像和CC位乳腺分割金标准图像；
计算模块，用于根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值，根据所述比值确定所述待检测乳腺图像的乳腺密度。
2.根据权利要求1所述的装置，其特征在于，所述装置还包括：
确定模块，用于根据所述乳房训练图像和初始分割模型，确定乳房分割参数的实际值和腺体分割参数的实际值；其中，所述初始分割模型包括初始乳房分割网络和初始腺体分割网络，所述初始乳房分割网络中包含乳房分割参数的初始设定值，所述初始腺体分割网络中包含腺体分割参数的初始设定值；
替换模块，用于将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值，得到所述分割模型中的乳房分割网络；并将所述腺体分割参数的初始设定值替换为所述腺体分割参数的实际值，得到所述分割模型中的腺体分割网络。
3.根据权利要求2所述的装置，其特征在于，所述确定模块包括：
预处理单元，用于当所述MLO位训练图像和所述CC位训练图像不满足所述分割模型的图像格式要求时，根据乳房的位置和所述图像格式要求对所述MLO位训练图像和所述CC位训练图像进行处理，得到满足所述图像格式要求的第一MLO位训练图像和第一CC位训练图像；
第一确定单元，用于根据所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像、所述CC位乳房分割金标准图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像以及初始分割模型，确定所述乳房分割参数的实际值和所述腺体分割参数的实际值。
4.根据权利要求3所述的装置，其特征在于，所述第一确定单元包括：
第一确定子单元，用于将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络中，并采用机器学习训练方法，得到所述乳房分割参数的实际值，并将将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值，得到所述乳房分割网络以及所述乳房分割网络当前输出的MLO位训练标识图像和CC位训练标识图像；
第二确定子单元，用于将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络中，并机器学习训练方法，得到所述腺体分割参数的实际值。
5.根据权利要求4所述的装置，其特征在于，所述第一确定子单元还用于：
执行第一处理操作，所述第一处理操作包括：确定将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络之后，所述初始乳房分割网络输出的MLO位乳房待收敛图像和CC位乳房待收敛图像；判断所述MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像是否满足第一收敛条件，以及判断所述CC位乳房待收敛图像与所述CC位乳房分割金标准图像是否满足第二收敛条件；
若否，则调整所述初始乳房分割网络中的乳房分割参数的值，并返回执行所述第一处理操作，直至所得到的新的MLO位乳房待收敛图像与所述MLO位乳房分割金标准图像满足所述第一收敛条件，以及新的CC位乳房待收敛图像与所述CC位乳房分割金标准图像满足所述第二收敛条件为止，并将调整后的乳房分割参数的值作为所述乳房分割参数的实际值。
6.根据权利要求4所述的装置，其特征在于，所述第二确定子单元还用于：
执行第二处理操作，所述第二处理操作包括：确定将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络之后，所述初始腺体分割网络输出的MLO位腺体待收敛图像和CC位腺体待收敛图像；判断所述MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像是否满足第三收敛条件，以及判断所述CC位腺体待收敛图像与所述CC位腺体分割金标准图像是否满足第四收敛条件；
若否，则调整所述初始腺体分割网络中的腺体分割参数的值，并返回执行所述第二处理操作，直至所得到的新的MLO位腺体待收敛图像与所述MLO位腺体分割金标准图像满足所述第三收敛条件，以及新的CC位腺体待收敛图像与所述CC位腺体分割金标准图像满足所述第四收敛条件为止，并将调整后的腺体分割参数的值作为所述腺体分割参数的实际值。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器用于执行所述计算机程序时实现如下步骤：
获取受检者的第一待检测乳腺图像；
获取预设的分割模型；其中，所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的，所述乳房训练图像包括：MLO位训练图像、CC位训练图像、MLO位乳房分割金标准图像、CC位乳房分割金标准图像、MLO位腺体分割金标准图像和CC位腺体分割金标准图像；所述机器学习是将标签指导网络向着损失函数最小化的方向更新网络的权值以及网络修正参数，MLO位乳房训练图像对应的标签指导网络为MLO位乳房分割金标准图像和MLO位乳腺分割金标准图像，且CC位乳房训练图像对应的标签指导网络为CC位乳房分割金标准图像和CC位乳腺分割金标准图像；
将所述第一待检测乳腺图像输入所述预设的分割模型，获取第一乳房分割结果图像和第一腺体分割结果图像；
根据所述第一乳房分割结果图像和所述第一腺体分割结果图像，计算第一腺体量值与第一乳房量值的比值；
根据所述第一腺体量值与第一乳房量值的比值确定所述第一待检测乳腺图像的乳腺密度。
8.根据权利要求7所述的计算机设备，其特征在于，所述处理器用于执行所述计算机程序时还实现：
根据所述第一待检测乳腺图像的乳腺密度将所述第一待检测乳腺图像分级，所述分级包括ACR1级、ACR2级、ACR3级或ACR4级中的一种。
9.根据权利要求7所述的计算机设备，其特征在于，所述处理器用于执行所述计算机程序时还实现：
获取受检者的第二待检测乳腺图像，所述第二待检测乳腺图像与所述第一待检测乳腺图像分别对应受检者在不同时刻所获取的待检测乳腺图像；
将所述第二待检测乳腺图像输入所述预设的分割模型，获取第二乳房分割结果图像和第二腺体分割结果图像；
根据所述第二乳房分割结果图像和所述第二腺体分割结果图像计算第二腺体量值与第二乳房量值的比值；
根据所述第二腺体量值与第二乳房量值的比值确定所述第二待检测乳腺图像的乳腺密度；
比较所述第一待检测乳腺图像的乳腺密度与所述第二待检测乳腺图像的乳腺密度，获取受检者的腺体变化结果。
10.根据权利要求9所述的计算机设备，其特征在于，还包括显示器，所述显示器用于显示所述第一待检测乳腺图像、所述第一待检测乳腺图像的乳腺密度、所述第一待检测乳腺图像分级、所述第二待检测乳腺图像、所述第二待检测乳腺图像的乳腺密度或受检者的腺体变化结果的至少一种。
CN201810343668.4A 2018-04-17 2018-04-17 乳腺密度的获取方法、设备及可读存储介质 Active CN108550150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810343668.4A CN108550150B (zh) 2018-04-17 2018-04-17 乳腺密度的获取方法、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810343668.4A CN108550150B (zh) 2018-04-17 2018-04-17 乳腺密度的获取方法、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN108550150A CN108550150A (zh) 2018-09-18
CN108550150B true CN108550150B (zh) 2020-11-13

Family

ID=63515374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810343668.4A Active CN108550150B (zh) 2018-04-17 2018-04-17 乳腺密度的获取方法、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN108550150B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7283878B2 (ja) * 2018-09-25 2023-05-30 謙一 井上 映像処理装置、映像処理方法、および映像処理プログラム
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
US11436720B2 (en) * 2018-12-28 2022-09-06 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for generating image metric
CN110490850B (zh) * 2019-02-14 2021-01-08 腾讯科技（深圳）有限公司 一种肿块区域检测方法、装置和医学图像处理设备
CN109919254B (zh) * 2019-03-28 2021-08-17 上海联影智能医疗科技有限公司 乳腺密度分类方法、系统、可读存储介质和计算机设备
CN109893100B (zh) * 2019-04-18 2022-05-10 盐城工学院 一种乳腺密度定量化计算的方法
CN111489318B (zh) * 2020-03-20 2023-10-27 上海联影智能医疗科技有限公司 医学图像增强方法和计算机可读存储介质
CN115984229B (zh) * 2023-01-10 2023-09-05 北京医准智能科技有限公司 模型训练方法、乳腺测量方法、装置、电子设备及介质
CN117132729A (zh) * 2023-07-24 2023-11-28 清华大学 多模态精细乳腺模型设计方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1846616A (zh) * 2006-03-13 2006-10-18 华中科技大学 一种计算机辅助预测乳腺癌风险的方法
US7848558B2 (en) * 2003-02-14 2010-12-07 The University Of Chicago Method and system for fractal-based analysis of medical image texture
EP3073924A1 (de) * 2014-05-06 2016-10-05 Siemens Healthcare GmbH Auswertung eines während einer mammographie erzeugten röntgenbildes einer brust
CN106023239A (zh) * 2016-07-05 2016-10-12 东北大学 基于乳腺子区域密度聚类的乳腺肿块分割系统及方法
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
CN107545561A (zh) * 2016-06-27 2018-01-05 太豪生医股份有限公司 乳房图像的分析方法以及其电子装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1916624B1 (en) * 2006-10-25 2016-11-23 Agfa HealthCare NV Method for segmenting a digital medical image.
WO2014194171A2 (en) * 2013-05-30 2014-12-04 H. Lee Moffitt Cancer Center And Research Institute, Inc. Breast imaging reporting and data system (bi-rads) tissue composition
CN103908258A (zh) * 2013-12-09 2014-07-09 天津天视科技有限公司 一种奶牛乳腺组织体积的测量方法
CN104574327B (zh) * 2014-12-15 2018-08-03 沈阳东软医疗系统有限公司 一种乳腺图像处理方法和装置
US9959617B2 (en) * 2016-01-28 2018-05-01 Taihao Medical Inc. Medical image processing apparatus and breast image processing method thereof
CN106682435B (zh) * 2016-12-31 2021-01-29 西安百利信息科技有限公司 一种多模型融合自动检测医学图像中病变的系统及方法
CN107134010A (zh) * 2017-04-27 2017-09-05 杭州电子科技大学 一种基于有限元的弹性软组织的形貌效果预测方法
CN107748900B (zh) * 2017-11-08 2020-09-25 山东财经大学 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质
CN107886514B (zh) * 2017-11-22 2021-04-23 浙江中医药大学 基于深度残差网络的乳腺钼靶图像肿块语义分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7848558B2 (en) * 2003-02-14 2010-12-07 The University Of Chicago Method and system for fractal-based analysis of medical image texture
CN1846616A (zh) * 2006-03-13 2006-10-18 华中科技大学 一种计算机辅助预测乳腺癌风险的方法
EP3073924A1 (de) * 2014-05-06 2016-10-05 Siemens Healthcare GmbH Auswertung eines während einer mammographie erzeugten röntgenbildes einer brust
CN107545561A (zh) * 2016-06-27 2018-01-05 太豪生医股份有限公司 乳房图像的分析方法以及其电子装置
CN106023239A (zh) * 2016-07-05 2016-10-12 东北大学 基于乳腺子区域密度聚类的乳腺肿块分割系统及方法
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

Also Published As

Publication number Publication date
CN108550150A (zh) 2018-09-18

Similar Documents

Publication Publication Date Title
CN108550150B (zh) 乳腺密度的获取方法、设备及可读存储介质
EP3879485B1 (en) Tissue nodule detection and model training method and apparatus thereof, device and system
CN109741346B (zh) 感兴趣区域提取方法、装置、设备及存储介质
WO2020228570A1 (zh) 乳腺钼靶图像处理方法、装置、系统及介质
CN113052795B (zh) 一种x射线胸片图像质量确定方法及装置
CN109919254B (zh) 乳腺密度分类方法、系统、可读存储介质和计算机设备
CN113610845B (zh) 肿瘤局部控制预测模型的构建方法、预测方法及电子设备
CN111967465A (zh) 肿瘤细胞含量评估方法、系统、计算机设备及存储介质
CN112435263A (zh) 医学图像分割方法、装置、设备、系统及计算机存储介质
CN111784704B (zh) Mri髋关节炎症分割与分类自动定量分级序贯方法
US11684333B2 (en) Medical image analyzing system and method thereof
CN110348477B (zh) 医疗图像处理方法、存储介质及计算机设备
He et al. Breast image pre-processing for mammographic tissue segmentation
KR102206621B1 (ko) 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션
CN110298820A (zh) 影像分析方法、计算机设备和存储介质
CN104546000B (zh) 一种基于形状特征的超声图像膀胱容积测量方法及装置
CN115760858B (zh) 基于深度学习的肾脏病理切片细胞识别方法及系统
US20240005494A1 (en) Methods and systems for image quality assessment
CN114332132A (zh) 图像分割方法、装置和计算机设备
CN114693671B (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
WO2022033598A1 (zh) 乳房x射线图像获取方法、装置、计算机设备和存储介质
CN114742753A (zh) 基于神经网络的图像评估方法和装置
KR102258070B1 (ko) 발의 유형 평가 방법 및 이를 이용한 발의 유형 평가용 디바이스
CN111627554A (zh) 一种基于深度卷积神经网络的骨折图像自动分类系统
Mesanovic et al. Application of lung segmentation algorithm to disease quantification from CT images

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
GR01 Patent grant
GR01 Patent grant
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.