CN109308488B - 乳腺超声图像处理装置、方法、计算机设备及存储介质 - Google Patents
乳腺超声图像处理装置、方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109308488B CN109308488B CN201811002556.9A CN201811002556A CN109308488B CN 109308488 B CN109308488 B CN 109308488B CN 201811002556 A CN201811002556 A CN 201811002556A CN 109308488 B CN109308488 B CN 109308488B
- Authority
- CN
- China
- Prior art keywords
- morphological
- ultrasound image
- classifier
- abnormal region
- inputting
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (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)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种乳腺超声图像处理装置、方法、计算机设备及存储介质,包括:异常区域获取模块,用于将原始乳腺超声图像输入至网络模型中,获得异常区域的形态轮廓;形态学特征获取模块,用于将带有异常区域的分割样片输入至预先建立的6个分类器中,并将原乳腺超声图像输入至根据后回声特性建立的分类器中,获得异常区域中各种形态类别中各个形态学特征所对应的概率;处理模块,用于构建总分类器,并将原始乳腺超声图像输入至总分类器进行分级判定,输出异常区域所对应的形态学特征及其概率。本发明能够更加高效且更加准确地获取乳腺超声图像中异常区域的形态学特征及其概率,有利于帮助对乳腺超声图像进行处理,避免出现误判或者漏判的问题。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种乳腺超声图像处理装置、方法、计算机设备及存储介质。
背景技术
乳腺超声图像是直接反应乳腺情况的图像。但是,现有技术中的对于乳腺超声图像,基本都是通过人工处理的方式,并不存在可以自动对乳腺超声图像进行分级判定,并确定异常区域的形态学特征以及同时输出形态学特征的概率的设备。现有技术中的人工处理方式主要是采用人工观察的方式来找出异常区域,效率低,并且由于原始乳腺超声图像不够清晰,以及人工处理的方式又较强的主观性与偏好性,使得容易产生误判或者漏判的风险。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种乳腺超声图像处理装置、方法、计算机设备及存储介质,旨在解决现有技术中的采用人工方式处理乳腺超声图像准确度不高及效率低下等问题。
本发明解决技术问题所采用的技术方案如下:
一种乳腺超声图像处理装置,其中,所述装置包括:
异常区域获取模块,用于将原始乳腺超声图像输入至基于深度神经网络所构建的网络模型中,获得异常区域的形态轮廓;
形态学特征获取模块,用于将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率;
处理模块,用于构建一个总分类器,并将原始乳腺超声图像输入至所述总分类器中进行分级判定,并输出乳腺超声图像中的异常区域的各种形态类别所对应的形态学特征及其概率。
优选地,所述的乳腺超声图像处理装置,其中,所述装置还包括:
分类器构建模块,用于预先根据异常区域中6种不同的形态类别构建出6个分类器,并且还根据后回声特性构建一个分类器;每一个分类器用于对异常区域中存在的形态学特征进行确定,并输出所述形态学特征对应的概率。
优选地,所述的乳腺超声图像处理装置,其中,所述处理模块包括:
总分类器构建单元,用于先将分割样片输入至7个分类器中,并从7个分类器中选出概率最大的形态学特征作为特征集;依据BIRADS表对乳腺超声图像进行BIRADS分级判定,并作为标签,将特征集与标签作为训练集,输入至决策树中进行训练,训练后的网络模型为总分类器。
一种乳腺超声图像处理方法,其中,所述方法包括:
将原始乳腺超声图像输入至基于深度神经网络所构建的网络模型中,获得异常区域的形态轮廓;
将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率;
构建一个总分类器,并将原始乳腺超声图像输入至所述总分类器中进行分级判定,并输出乳腺超声图像中的异常区域的各种形态类别所对应的形态学特征及其概率。
优选地,所述乳腺超声图像处理方法,其中,所述将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率的步骤之前,还包括:
预先根据异常区域中6种不同的形态类别构建出6个分类器,并且还根据后回声特征构建一个分类器;每一个分类器用于对异常区域中存在的形态学特征进行确定,并输出所述形态学特征对应的概率。
优选地,所述乳腺超声图像处理方法,其中,所述形态类别包括:异常区域的边界、纵横比、是否与皮肤平行、钙化、分叶以及边缘是否尖锐。
优选地,所述乳腺超声图像处理方法,其中,所述异常区域的边界的形态学特征包括:边界清晰或者不清晰;
异常区域的纵横比的形态学特征包括:大于1、等于1或者小于1;
异常区域是否与皮肤平行的形态学特征包括:平行或者不平行;
异常区域的钙化的形态学特征包括:大钙化、外微钙化或者内微钙化;
异常区域的分叶的形态学特征包括:大分叶、小分叶或者无分叶;
异常区域的边缘是否尖锐的形态学特征包括:尖锐或者不尖锐;
所述后回声特性包括:无改变、增强、声影或者混合型。
优选地,所述乳腺超声图像处理方法,其中,所述构建一个总分类器的步骤具体包括:
先将分割样片输入至7个分类器中,并从7个分类器中选出概率最大的形态学特征作为特征集;依据BIRADS表对乳腺超声图像进行BIRADS分级判定,并作为标签,将特征集与标签作为训练集,输入至决策树中进行训练,训练后的网络模型为总分类器。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的有益效果:本发明通过根据不同的形态类别建立不同的分类器,并将不同的分类器拟合成一个总分类器,该总分类器对乳腺超声图像进行分级判定,并可以准确地找出乳腺超声图像中的异常区域,并输出形态学特征及其概率,有效提高了图像处理效率,且避免出现漏判与误判。
附图说明
图1是本发明的乳腺超声图像处理方法的一个较佳实施例的流程图。
图2是本发明的原始乳腺超声图像。
图3是本发明的异常区域的形态轮廓示意图。
图4是本发明的乳腺超声图像处理装置的一个较佳实施例的结构框图。
图5是本发明的计算机设备的一个较佳实施例的原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供的乳腺超声图像处理方法,可以应用于终端中。其中,终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中,终端的处理器可以为中央处理器(Central ProcessingUnit,CPU),图形处理器(Graphics Processing Unit,GPU)、视频处理单元(VideoProcessing Unit,VPU)等中的至少一种。
由于现有技术中的对于乳腺超声图像,基本都是通过人工处理的方式,即采用人工观察的方式来找出异常区域,人工处理的方式效率低。并且由于原始乳腺超声图像不够清晰,而人工处理的方式又较强的主观性与偏好性,容易产生误判或者漏判的风险。为解决上述问题,因此,本发明提供一种乳腺超声图像处理方法,具体如图1所示。所述乳腺超声图像处理方法包括如下步骤:
步骤S100、将原始乳腺超声图像输入至基于深度神经网络所构建的网络模型中,获得异常区域的形态轮廓。
在本实施例中,本实施例利用深度神经网络,例如U-net网络模型。在train中输入多个原始乳腺超声图像(如图2中所示)以及对应的label,通过U-net网络模型进行特征学习及训练,构建出一个网络模型,该网络模型就可以从原始乳腺超声图像中获取异常区域的形态轮廓(如图3中所示)。从图3中可以看出,在图3中描绘出了原始乳腺超声图像中的异常区域。
步骤S200、将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率。
在其中的一个实施例中,为了更加直观地确定异常区域,本实施例中预先基于6种不同的形态类别构建6个不同的分类器,并且还根据后回声特性构建一个分类器,每一个分类器用于对异常区域中存在的形态学特征进行确定,并输出所述形态学特征对应的概率。具体地,本实施例中的形态类别包括:异常区域的边界、纵横比、是否与皮肤平行、钙化、分叶以及边缘是否尖锐。因此所构建出的7种分类器(包括后回声特性所构建的分类器)对应为边界分类器、纵横比分类器、确定是否与皮肤平行分类器、钙化分类器、分叶分类器、边缘尖锐分类器以及后回声特性分类器。
优选地,所述异常区域的边界的形态学特征包括:边界清晰或者不清晰;所述异常区域的纵横比的形态学特征包括:大于1、等于1或者小于1;异常区域是否与皮肤平行的形态学特征包括:平行或者不平行;异常区域的钙化的形态学特征包括:大钙化、外微钙化或者内微钙化;异常区域的分叶的形态学特征包括:大分叶、小分叶或者无分叶;异常区域的边缘是否尖锐的形态学特征包括:尖锐或者不尖锐。所述后回声特性包括:无改变、增强、声影或者混合型。
较佳地,本实施例中以边界分类器的构建为例,主要包括以下步骤:
1)分别以KNN、XGBoost和RandomForest作为BaseModel_1、BaseModel_2和BaseModel_3;
2)将带有异常区域的分割样片由5位经验丰富的医护人员确定清晰或不清晰,并打上标签。将数据分为训练集与验证集,其比率为4:1;
3)分别对BaseModel_1、BaseModel_2和BaseModel_3进行5-fold交叉验证训练;
4)用训练好的3个基础模型对全部数据进行预测,预测值作为新的特征与标签构成新训练集,对SVM(Support Vector Machine,支持向量机)进行训练,SVM最终得出边界是否清晰的概率。
其他几个分类器训练方式是一样的,唯一区别的是训练的标签不同。依次方式,针对不同的形态类别训练处不同的分类器。
由于本实施例中的每一种形态类别都构建一个分类器,当将带有异常区域的分割样片输入至某个分类器中后,该分类器就可以对该异常区域进行形态类别确定,确定出于该分类器对应的形态类别中各个形态学特征及其各个形态学所出现的概率。例如,将带有异常区域的分割样片输入至利用确定边界的形态学特征的分类器中后,该分类器就会对异常区域的轮廓的边界的形态学特征进行识别,并输出概率,如边界清晰的概率为90%;边界不清晰的概率为10%。
步骤S300、构建一个总分类器,并将原始乳腺超声图像输入至所述总分类器中进行分级判定,并输出乳腺超声图像中的异常区域的各种形态类别所对应的形态学特征及其概率。
在本实施例中,对于总分类器,本实施例先将分割样片输入至7个分类器中,并从7个分类器中选出概率最大的形态学特征作为特征集;依据BIRADS表(Breast ImagingReporting and Data System,乳腺影像报告及数据系统)对乳腺超声图像进行BIRADS分级判定(分级标准按照国际标准),并作为标签,将特征集与标签作为训练集,输入至决策树中进行训练,训练后的网络模型为总分类器。该总分类器可以对输入的原始乳腺超声图像进行分级判定处理,并输出乳腺超声图像中的异常区域的各种形态类别所对应的形态学特征及其概率。这样就可以很直观的了解到异常区域的每一个形态学特征及其概率,帮助医护人员获取到更加准确的异常区域的形态学特征及其概率,并且可以更加直观地了解乳腺情况。由此看来,本发明可以对原始乳腺超声图像进行分级判定,并且可以更加直观地了解图像中的异常区域的形态学特征以及概率,得到的这些中间参数都可以用于帮助医护人员更好地对乳腺图像进行分析。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于上述实施例,本发明还提供了一种乳腺超声图像处理装置,如图4所示,包括:异常区域获取模块410、分类器构建模块420、形态学特征获取模块430、处理模块440。其中,
异常区域获取模块410,用于将原始乳腺超声图像输入至基于深度神经网络所构建的网络模型中,获得异常区域的形态轮廓。
分类器构建模块420,用于预先根据异常区域中7种不同的形态类别构建出7个分类器;每一个分类器用于对异常区域中存在的形态学特征进行确定,并输出所述形态学特征对应的概率。
形态学特征获取模块430,用于将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率;
处理模块440,用于构建一个总分类器,并将原始乳腺超声图像输入至所述总分类器中进行分级判定,并输出乳腺超声图像中的异常区域的各种形态类别所对应的形态学特征及其概率。
在其中一个实施例中,处理模块440包括:总分类器构建单元,用于先将分割样片输入至7个分类器中,并从7个分类器中选出概率最大的形态学特征作为特征集;依据BIRADS表对乳腺超声图像进行BIRADS分级判定,并作为标签,将特征集与标签作为训练集,输入至决策树中进行训练,训练后的网络模型为总分类器。
关于乳腺超声图像处理装置具体限定可以参见上文中对于乳腺超声图像处理方法的限定,在此不再赘述。上述乳腺超声图像处理装置各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
基于上述实施例,本发明还提供了一种计算机设备,该计算机设备可以是终端,其原理框图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种计算机设备关机控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的温度传感器是预先在计算机设备内部设置,用于检测内部设备的当前运行温度。
本领域技术人员可以理解,图5中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
将原始乳腺超声图像输入至基于深度神经网络所构建的网络模型中,获得异常区域的形态轮廓;
将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率;
构建一个总分类器,并将原始乳腺超声图像输入至所述总分类器中进行分级判定,并输出乳腺超声图像中的异常区域的各种形态类别所对应的形态学特征及其概率。
在其中一个实施例中,该处理器执行计算机程序时还实现以下步骤:预先根据异常区域中6种不同的形态类别构建出6个分类器,且还根据后回声特征构建一个分类器;每一个分类器用于对异常区域中存在的形态学特征进行确定,并输出所述形态学特征对应的概率。
在其中一个实施例中,该处理器执行构建一个总分类器的计算机程序时还实现:先将分割样片输入至7个分类器中,并从7个分类器中选出概率最大的形态学特征作为特征集;依据BIRADS表对乳腺超声图像进行BIRADS分级判定,并作为标签,将特征集与标签作为训练集,输入至决策树中进行训练,训练后的网络模型为总分类器。
在一个实施例中,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将原始乳腺超声图像输入至基于深度神经网络所构建的网络模型中,获得异常区域的形态轮廓;
将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率;
构建一个总分类器,并将原始乳腺超声图像输入至所述总分类器中进行分级判定,输出乳腺超声图像中的异常区域的各种形态类别所对应的形态学特征及其概率。
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,本发明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。
综上所述,本发明提供了一种乳腺超声图像处理装置、方法、计算机设备及存储介质,装置包括:异常区域获取模块,用于将原始乳腺超声图像输入至基于深度神经网络所构建的网络模型中,获得异常区域的形态轮廓;形态学特征获取模块,用于将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率;处理模块,用于构建一个总分类器,并将原始乳腺超声图像输入至总分类器中进行分级判定,并输出乳腺超声图像中的异常区域的各种形态类别所对应的形态学特征及其概率。本发明能够更加高效且更加准确地获取乳腺超声图像中异常区域的形态学特征及其概率,有利于帮助对乳腺超声图像进行处理,避免出现误判或者漏判的问题。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种乳腺超声图像处理装置,其特征在于,所述装置包括:
异常区域获取模块,用于将原始乳腺超声图像输入至基于深度神经网络所构建的网络模型中,获得异常区域的形态轮廓;
形态学特征获取模块,用于将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率;
处理模块,用于构建一个总分类器,并将原始乳腺超声图像输入至所述总分类器中进行分级判定,并输出乳腺超声图像中的异常区域的各种形态类别所对应的形态学特征及其概率,所述总分类器由不同分类器拟合而成;
所述处理模块包括:
总分类器构建单元,用于先将分割样片输入至7个分类器中,并从7个分类器中选出概率最大的形态学特征作为特征集;依据BIRADS表对乳腺超声图像进行BIRADS分级判定,并作为标签,将特征集与标签作为训练集,输入至决策树中进行训练,训练后的网络模型为总分类器。
2.根据权利要求1所述的乳腺超声图像处理装置,其特征在于,所述装置还包括:
分类器构建模块,用于预先根据异常区域中6种不同的形态类别构建出6个分类器,且还根据后回声特性构建一个分类器;每一个分类器用于对异常区域中存在的形态学特征进行确定,并输出所述形态学特征对应的概率。
3.一种乳腺超声图像处理方法,其特征在于,所述方法包括:
将原始乳腺超声图像输入至基于深度神经网络所构建的网络模型中,获得异常区域的形态轮廓;
将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率;
构建一个总分类器,所述总分类器由不同分类器拟合而成,并将原始乳腺超声图像输入至所述总分类器中进行分级判定,并输出乳腺超声图像中的异常区域的各种形态类别所对应的形态学特征及其概率;
所述构建一个总分类器的步骤具体包括:
先将分割样片输入至7个分类器中,并从7个分类器中选出概率最大的形态学特征作为特征集;依据BIRADS表对乳腺超声图像进行BIRADS分级判定,并作为标签,将特征集与标签作为训练集,输入至决策树中进行训练,训练后的网络模型为总分类器。
4.根据权利要求3所述乳腺超声图像处理方法,其特征在于,所述将带有异常区域的分割样片分别输入至预先根据6种不同形态类别所建立的6个分类器中,并将原乳腺超声图像输入至预先根据后回声特性建立的分类器中,获得所述异常区域中各种形态类别中各个形态学特征所对应的概率的步骤之前,还包括:
预先根据异常区域中6种不同的形态类别构建出6个分类器,且还根据后回声特性构建一个分类器;每一个分类器用于对异常区域中存在的形态学特征进行确定,并输出所述形态学特征对应的概率。
5.根据权利要求4所述乳腺超声图像处理方法,其特征在于,所述形态类别包括:异常区域的边界、纵横比、是否与皮肤平行、钙化、分叶以及边缘是否尖锐。
6.根据权利要求5所述乳腺超声图像处理方法,其特征在于,所述异常区域的边界的形态学特征包括:边界清晰或者不清晰;
异常区域的纵横比的形态学特征包括:大于1、等于1或者小于1;
异常区域是否与皮肤平行的形态学特征包括:平行或者不平行;
异常区域的钙化的形态学特征包括:大钙化、外微钙化或者内微钙化;
异常区域的分叶的形态学特征包括:大分叶、小分叶或者无分叶;
异常区域的边缘是否尖锐的形态学特征包括:尖锐或者不尖锐;
后回声特性包括:无改变、增强、声影或者混合型。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求3至6中任一项所述方法的步骤。
8.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求3至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811002556.9A CN109308488B (zh) | 2018-08-30 | 2018-08-30 | 乳腺超声图像处理装置、方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811002556.9A CN109308488B (zh) | 2018-08-30 | 2018-08-30 | 乳腺超声图像处理装置、方法、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308488A CN109308488A (zh) | 2019-02-05 |
CN109308488B true CN109308488B (zh) | 2022-05-03 |
Family
ID=65224479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811002556.9A Active CN109308488B (zh) | 2018-08-30 | 2018-08-30 | 乳腺超声图像处理装置、方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308488B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887077B (zh) * | 2019-03-07 | 2022-06-03 | 百度在线网络技术(北京)有限公司 | 用于生成三维模型的方法和装置 |
CN110163812B (zh) * | 2019-04-10 | 2023-11-07 | 深圳大学 | 肌肉超声图像降噪方法、装置及存储介质 |
CN110111310B (zh) * | 2019-04-17 | 2021-03-05 | 广州思德医疗科技有限公司 | 一种评估标签图片的方法及装置 |
CN110390671B (zh) * | 2019-07-10 | 2021-11-30 | 杭州依图医疗技术有限公司 | 一种乳腺钙化检出的方法及装置 |
CN110613486B (zh) * | 2019-09-30 | 2022-04-22 | 深圳大学总医院 | 一种乳腺超声图像的检测方法及装置 |
CN110728674B (zh) * | 2019-10-21 | 2022-04-05 | 清华大学 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
CN111742343A (zh) * | 2020-05-20 | 2020-10-02 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像处理方法、系统及计算机可读存储介质 |
CN112184683A (zh) * | 2020-10-09 | 2021-01-05 | 深圳度影医疗科技有限公司 | 一种超声图像的识别方法、终端设备及存储介质 |
CN113033667B (zh) * | 2021-03-26 | 2023-04-18 | 浙江机电职业技术学院 | 一种超声图像两阶段深度学习的乳腺肿瘤分类方法和装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050129297A1 (en) * | 2003-12-15 | 2005-06-16 | Kamath Vidya P. | Classification of breast lesion method and system |
US7736313B2 (en) * | 2004-11-22 | 2010-06-15 | Carestream Health, Inc. | Detecting and classifying lesions in ultrasound images |
CN102521517A (zh) * | 2011-12-20 | 2012-06-27 | 深圳市人民医院 | 乳腺肿瘤判别分析系统及方法 |
CN103455821B (zh) * | 2012-05-29 | 2019-05-28 | 北京三星通信技术研究有限公司 | 基于bi-rads的图像分析装置和方法 |
US8781202B2 (en) * | 2012-07-26 | 2014-07-15 | International Business Machines Corporation | Tumor classification based on an analysis of a related ultrasonic attenuation map |
TWI483127B (zh) * | 2013-03-13 | 2015-05-01 | Univ Nat Taiwan | 調適型分類方法及用以執行該調適型分類方法之電腦可讀取記錄媒體 |
EP2830018A1 (en) * | 2013-07-25 | 2015-01-28 | Statlife | Computer-implemented method for classification of a picture |
MX370077B (es) * | 2015-09-11 | 2019-11-27 | Secretaria De Educacion Publica Tecnologico Nac De Mexico | Procesamiento e interpretación automatizado de imágenes mastográficas para la asignación del nivel en la escala de birads. |
CN105913086A (zh) * | 2016-04-12 | 2016-08-31 | 福州大学 | 一种应用特征权重自适应选择的计算机辅助诊断乳腺的方法 |
CN106137259A (zh) * | 2016-06-24 | 2016-11-23 | 华南理工大学 | 基于人工打分的超声肿瘤特征获取方法 |
-
2018
- 2018-08-30 CN CN201811002556.9A patent/CN109308488B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109308488A (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308488B (zh) | 乳腺超声图像处理装置、方法、计算机设备及存储介质 | |
CN109492643B (zh) | 基于ocr的证件识别方法、装置、计算机设备及存储介质 | |
CN110334722B (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
US20210295162A1 (en) | Neural network model training method and apparatus, computer device, and storage medium | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
WO2021003938A1 (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
CN109285105B (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN111931931A (zh) | 一种针对病理全场图像的深度神经网络训练方法、装置 | |
US11823378B2 (en) | Systems and methods for processing electronic images to detect contamination in specimen preparations | |
CN111192678B (zh) | 病理显微图像诊断、模型训练方法、装置、设备及介质 | |
WO2021189848A1 (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
CN107886082B (zh) | 图像中数学公式检测方法、装置、计算机设备及存储介质 | |
CN110889437B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
WO2020034801A1 (zh) | 医疗特征筛选方法、装置、计算机设备和存储介质 | |
US11694331B2 (en) | Capture and storage of magnified images | |
CN116863522A (zh) | 痤疮分级方法、装置、设备及介质 | |
CN110796039B (zh) | 一种面部瑕疵检测方法、装置、电子设备及存储介质 | |
CN109102549B (zh) | 图像光源颜色的检测方法、装置、计算机设备及存储介质 | |
CN115860067B (zh) | 生成对抗网络训练方法、装置、计算机设备及存储介质 | |
CN117422934A (zh) | 异常细胞检测方法、系统、计算机设备及存储介质 | |
CN110852384A (zh) | 医学影像质量检测方法、装置和存储介质 | |
CN111462059B (zh) | 胎儿超声图像智能目标检测的并行处理方法和装置 | |
CN114399494A (zh) | 异常细胞检测分割方法、装置、设备及存储介质 | |
CN113743445B (zh) | 目标对象识别方法、装置、计算机设备和存储介质 | |
CN113780131B (zh) | 文本图像朝向识别方法和文本内容识别方法、装置、设备 |
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 |