CN109363697B - 一种乳腺影像病灶识别的方法及装置 - Google Patents
一种乳腺影像病灶识别的方法及装置 Download PDFInfo
- Publication number
- CN109363697B CN109363697B CN201811201699.2A CN201811201699A CN109363697B CN 109363697 B CN109363697 B CN 109363697B CN 201811201699 A CN201811201699 A CN 201811201699A CN 109363697 B CN109363697 B CN 109363697B
- Authority
- CN
- China
- Prior art keywords
- image
- breast
- convolution
- feature
- images
- 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
- 210000000481 breast Anatomy 0.000 title claims abstract description 330
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000003902 lesion Effects 0.000 claims abstract description 182
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 83
- 238000000605 extraction Methods 0.000 claims abstract description 50
- 238000005070 sampling Methods 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 230000003447 ipsilateral effect Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 208000026310 Breast neoplasm Diseases 0.000 description 8
- 206010006187 Breast cancer Diseases 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000002308 calcification Effects 0.000 description 2
- 208000031513 cyst Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种乳腺影像病灶识别的方法及装置，涉及机器学习技术领域，该方法包括：获取乳腺影像，将所述乳腺影像输入至特征提取模块中，获取所述乳腺影像不同尺寸的特征图像；针对所述乳腺影像的不同尺寸的特征图像中的任意一个特征图像，从所述特征图像中确定出乳腺病灶识别框；根据从各特征图像中确定出的乳腺病灶识别框，确定乳腺影像的乳腺病灶。
Description
技术领域
本发明实施例涉及机器学习技术领域，尤其涉及一种乳腺影像病灶识别的方法及装置。
背景技术
目前，乳腺影像可以利用低剂量的X光检查人类的乳房，它能侦测各种乳房肿瘤、囊肿等病灶，有助于早期发现乳癌，并降低其死亡率。乳腺影像是一种有效的检测方法，可以用于诊断多种女性乳腺相关的疾病。当然，其中最主要的使用还是在乳腺癌，尤其是早期乳腺癌的筛查上。因此若能有效的检测出乳腺影像上各种乳腺癌早期表现，对医生的帮助是巨大的。
当患者拍摄乳腺影像之后，医生通过个人经验判断乳腺影像中的病灶，该方法效率较低，并且存在较大的主观性。
发明内容
本发明实施例提供一种乳腺影像病灶识别的方法及装置，用于解决现有技术中通过医生经验判断乳腺影像中乳腺病灶的方法效率低的问题。
本发明实施例提供了一种乳腺影像病灶识别的方法，包括：
获取乳腺影像；
将所述乳腺影像输入至特征提取模块中，获取所述乳腺影像不同尺寸的特征图像；所述特征提取模块包括N个卷积模块；所述N个卷积模块为下采样卷积块和/或上采样卷积块；每个下采样卷积块或上采样卷积块提取的特征图像的尺寸均不同，所述N个卷积模块的每个卷积模块中包括第一卷积层、第二卷积层；所述第一卷积层输出的特征图像的个数小于所述第一卷积层输入的特征图像的个数；所述第二卷积层输出的特征图像的个数大于所述第一卷积层输出的特征图像的个数；N大于0；
针对所述乳腺影像的不同尺寸的特征图像中的任意一个特征图像，从所述特征图像中确定出乳腺病灶识别框；
根据从各特征图像中确定出的乳腺病灶识别框，确定乳腺影像的乳腺病灶。
一种可能的实现方式，所述获取所述乳腺影像的不同尺寸的特征图像，包括：
将所述乳腺影像依次通过N/2个下采样卷积块提取N/2个所述乳腺影像的第一特征图像；
将第N/2个下采样卷积块输出的第一特征图像依次通过N/2个上采样卷积块提取N/2个所述乳腺影像的第二特征图像，每个上采样卷积块提取的第二特征图像的尺寸均不同；
将尺寸相同的第一特征图像和第二特征图像合并后，确定N个所述乳腺影像的不同尺寸的特征图像。
一种可能的实现方式，所述特征处理模块之前还包括特征预处理模块；所述将所述乳腺影像输入至特征提取模块之前，还包括：
将所述乳腺影像输入至所述特征预处理模块中，所述特征预处理模块包括一个卷积层，一个BN层，一个Relu层和一个池化层；所述特征预处理模块的卷积核大小大于所述N个卷积模块中的卷积核的大小；
或者，所述特征预处理模块包括连续的多个卷积层，一个BN层，一个Relu层和一个池化层；所述特征预处理模块的卷积核大小与所述N个卷积模块中的最大的卷积核的大小相等。
一种可能的实现方式，所述将所述乳腺影像输入至特征提取模块之前，还包括：
获取所述乳腺影像的原始文件；
在所述乳腺影像的原始文件中选取至少一组窗宽窗位，并获取所述至少一组窗宽窗位对应的图片格式的乳腺影像；
根据所述至少一组窗宽窗位对应的图片格式的乳腺影像，作为输入至所述特征提取模块的乳腺影像。
一种可能的实现方式，所述乳腺影像包括不同侧乳房的不同投照位的乳腺影像；所述将所述乳腺影像输入至特征提取模块，包括：
将所述乳腺影像的同一投照位的另一侧乳房的乳腺影像作为所述乳腺影像的参考影像，输入至所述特征提取模块，获得参考特征图像；
所述针对所述乳腺影像的不同尺寸的特征图像中的任意一个特征图像，从所述特征图像中确定出乳腺病灶识别框；包括：
确定所述特征图像中的第一乳腺病灶识别框和所述参考特征图像中的第二乳腺病灶识别框；
若确定所述第一乳腺病灶识别框和所述第二乳腺病灶识别框的位置和/或大小都相同，则删除所述第一乳腺病灶识别框。
本发明实施例提供了一种乳腺影像病灶识别的装置，包括：
获取单元，用于获取乳腺影像；
处理单元，用于将所述乳腺影像输入至特征提取模块中，获取所述乳腺影像不同尺寸的特征图像；所述特征提取模块包括N个卷积模块；所述N个卷积模块为下采样卷积块或上采样卷积块；每个下采样卷积块或上采样卷积块提取的特征图像的尺寸均不同，所述N个卷积模块的每个卷积模块中包括第一卷积层、第二卷积层；所述第一卷积层输出的特征图像的个数小于所述第一卷积层输入的特征图像的个数；所述第二卷积层输出的特征图像的个数大于所述第一卷积层输出的特征图像的个数；N大于0；针对所述乳腺影像的不同尺寸的特征图像中的任意一个特征图像，从所述特征图像中确定出乳腺病灶识别框；根据从各特征图像中确定出的乳腺病灶识别框，确定乳腺影像的乳腺病灶。
一种可能的实现方式，所述处理单元，具体用于：
将所述乳腺影像依次通过N/2个下采样卷积块提取N/2个所述乳腺影像的第一特征图像；将第N/2个下采样卷积块输出的第一特征图像依次通过N/2个上采样卷积块提取N/2个所述乳腺影像的第二特征图像，每个上采样卷积块提取的第二特征图像的尺寸均不同；将尺寸相同的第一特征图像和第二特征图像合并后，确定N个所述乳腺影像的不同尺寸的特征图像。
一种可能的实现方式，所述乳腺影像包括不同侧乳房的不同投照位的乳腺影像；所述处理单元，具体用于：
将所述乳腺影像的同一投照位的另一侧乳房的乳腺影像作为所述乳腺影像的参考影像，输入至所述特征提取模块，获得参考特征图像；确定所述特征图像中的第一乳腺病灶识别框和所述参考特征图像中的第二乳腺病灶识别框；若确定所述第一乳腺病灶识别框和所述第二乳腺病灶识别框的位置和/或大小都相同，则删除所述第一乳腺病灶识别框。
另一方面，本发明实施例提供了一种计算设备，包括至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行上述任一项所述方法的步骤。
又一方面，本发明实施例提供了一种计算机可读存储介质，其存储有可由计算设备执行的计算机程序，当所述程序在所述计算设备上运行时，使得所述计算设备执行上述任一项所述方法的步骤。
本发明实施例中，由于提取乳腺影像的特征图像，并识别每一个特征图像中的乳腺，可以快速识别乳腺的病灶，提高了乳腺病灶识别的效率。另外，通过在特征提取模块中，设置第一卷积层输出的通道数减少，且第二卷积层输出的通道数增加，使得卷积过程中，有效的保留了图像中的有效信息，在减少参数量的同时，提高了特征图像的提取的有效性，进而提高了乳腺影像中乳腺病灶识别的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1a为本发明实施例提供的一种乳腺影像的示意图；
图1b为本发明实施例提供的一种乳腺影像的示意图；
图1c为本发明实施例提供的一种乳腺影像的示意图；
图1d为本发明实施例提供的一种乳腺影像的示意图；
图2为本发明实施例提供的一种乳腺影像病灶识别的方法的流程示意图；
图3a为本发明实施例提供的一种特征提取模块的结构示意图；
图3b为本发明实施例提供的一种特征提取模块的结构示意图；
图3c为本发明实施例提供的一种特征提取模块的结构示意图；
图3为本发明实施例提供的一种乳腺影像病灶识别的流程示意图；
图4为本发明实施例提供的一种乳腺影像病灶识别的流程示意图；
图5为本发明实施例提供的一种乳腺影像病灶识别的装置的结构示意图；
图6为本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
本发明实施例中，以乳腺X射线影像为例，进行示例性的描述，其他影像在此不再赘述。乳腺X射线影像可以是利用低剂量(约为0.7毫西弗)的X光检查人类(主要是女性)的乳房，它能侦测各种乳房肿瘤、囊肿等病灶，有助于早期发现乳癌，并降低其死亡率。有一些国家提倡年长(一般为45周岁以上)的女性定期(间隔从一年到五年不等)进行乳腺摄影，以筛检出早期的乳腺癌。乳腺影像一般包含四份X光摄像，分别为2侧乳房的2种投照位(头尾位CC，内外侧斜位MLO)的四份乳腺影像，如图1a-d所示。
现有技术往往只检测钙化或者肿块这样单独类型的病灶，不能同时对多种病灶同时进行检出，应用范围狭窄。同时针对钙化、肿块、不对称性、结构扭曲等多种类型病灶，检测的准确性较差，无法满足应用要求。
针对上述问题，本发明实施例提供一种乳腺影像病灶识别的方法，如图2所示，包括：
步骤201：获取乳腺影像；
步骤202：将所述乳腺影像输入至特征提取模块中，获取所述乳腺影像不同尺寸的特征图像；
其中，所述特征提取模块包括N个卷积模块；所述N个卷积模块为下采样卷积块和/或上采样卷积块；每个下采样卷积块或上采样卷积块提取的特征图像的尺寸均不同，所述N个卷积模块的每个卷积模块中包括第一卷积层、第二卷积层；所述第一卷积层输出的特征图像的个数小于所述第一卷积层输入的特征图像的个数；所述第二卷积层输出的特征图像的个数大于所述第一卷积层输出的特征图像的个数；N大于0；
举例来说，该特征提取模块可以包括三个下采样卷积块。每个卷积模块可以包括第一卷积层和第二卷积层，第一卷积层包括卷积层，与卷积层连接的归一化(BatchNormalization，BN)层、与BN层连接的激活函数层，如图3a示出的卷积模块包括第一卷积层和第二卷积层。
为增加特征提取模块的深度，如图3b所示，一种可能的实现方式，特征图像经过卷积模块的步骤可以包括：
步骤一：将所述卷积模块输入的特征图像输入至所述第一卷积层获得第一特征图像；第一卷积层的卷积核可以为N1*m*m*N2；N1为所述卷积模块输入的特征图像的通道数，N2为第一特征图像的通道数；N1>N2；
步骤二：将第一特征图像输入至所述第二卷积层获得第二特征图像；第一卷积层的卷积核可以为N2*m*m*N3；N3为第二特征图像的通道数；N3>N2；
步骤三：将所述卷积模块输入的特征图像和所述第二特征图像合并后，确定为所述卷积模块输出的特征图像。
在一种具体的实施例中，第二卷积层输出的特征图像的个数可以与第一卷积层输入的特征图像的个数相等。即，N1＝N2。
上文所描述的乳腺影像对应的特征图像的确定方式仅为一种可能的实现方式，在其它可能的实现方式中，也可以通过其它方式确定乳腺影像对应的特征图像，具体不做限定。
需要说明的是：本发明实施例中的激活函数可以为多种类型的激活函数，比如，可以为线性整流函数(Rectified Linear Unit,ReLU)，具体不做限定；
由于本发明实施例中输入的图像为二维图像，因此，本发明实施例中的特征提取模块可以为(2Dimensions，2D)卷积神经网络中的特征提取模块，相应地，第一卷积层的卷积核大小可以为m*m、第二卷积层的卷积核大小可以为n*n；m和n可以相同也可以不同，在此不做限定；其中，m，n为大于或等于1的整数。第一卷积层输出的特征图像的个数小于所述第一卷积层输入的特征图像的个数；所述第二卷积层输出的特征图像的个数大于所述第一卷积层输出的特征图像的个数。
进一步的，为优化特征提取模块，一种可能的实现方式，如图3c所示，所述第一卷积层和所述第二卷积层之间还包括第三卷积层；所述第三卷积层输入的特征图像为所述第一卷积层输出的图像，所述第三卷积层输出的特征图像为所述第二卷积层输入的图像。
其中，第三卷积层的卷积核大小可以为k*k，k与m，n可以相同，也可以不同，在此不做限定。
一个具体的实施例中，所述第一卷积层的卷积核的大小为3*3；所述第二卷积层的卷积核的大小为3*3；所述第三卷积层的卷积核的大小为1*1。
通过上述卷积核的设置方式，可以有效的提高特征提取的感知野，有利于提高乳腺病灶识别的准确度。
不同尺寸的特征图像可以为不同像素的特征图像，比如像素为500×500的特征图像与像素为1000×1000的特征图像为不同尺寸的特征图像。
可选地，采用预先训练好的乳腺病灶检测模型提取乳腺影像的不同尺寸的特征图像，模型是采用2D卷积神经网络对已标记的多个乳腺影像进行训练后确定的。
可选地，在提取乳腺影像的不同尺寸的特征图像之前，将图像缩放到特定尺寸，使各方向上像素与实际长度的比例尺一定。
另一种可能的实现方式，所述特征提取模块包括N/2个下采样卷积块和N/2个上采样卷积块；所述获取所述乳腺影像的不同尺寸的特征图像，包括：
将所述乳腺影像依次通过N/2个下采样卷积块提取N/2个所述乳腺影像的第一特征图像；
将第N/2个下采样卷积块输出的第一特征图像依次通过N/2个上采样卷积块提取N/2个所述乳腺影像的第二特征图像，每个上采样卷积块提取的第二特征图像的尺寸均不同；
将尺寸相同的第一特征图像和第二特征图像合并后，确定N个所述乳腺影像的不同尺寸的特征图像。
为提高特征提取的感知野，提高特征提取的性能，一种可能的实现方式，所述特征提取模块之前还包括特征预处理模块；所述特征预处理模块包括一个卷积层，一个BN层，一个Relu层和一个池化层；所述特征预处理模块的卷积核大小大于所述N个卷积模块中任一卷积模块的卷积核的大小。
优选的，所述卷积层的卷积核大小可以为7*7，间隔为2个像素。池化层为2*2的最大值池化。通过特征预处理模块，可以将图像面积迅速缩小，边长变为原有1/4，有效的提高特征图像的感知野，快速的提取浅层特征，有效的减少原始信息的损失。
一种可能的实现方式，所述特征预处理模块包括连续的多个卷积层，一个BN层，一个Relu层和一个池化层；所述特征预处理模块的卷积核大小与所述N个卷积模块中的最大的卷积核的大小相等。
特征图像经过特征预处理模块的步骤可以包括：将所述乳腺影像输入至特征预处理模块，获得预处理的特征图像；将所述预处理的特征图像作为所述特征提取模块的输入。
步骤203：针对所述乳腺影像的不同尺寸的特征图像中的任意一个特征图像，从所述特征图像中确定出乳腺病灶识别框。
可选地，采用预先训练好的乳腺病灶检测模型从特征图像中确定出乳腺病灶识别框，乳腺病灶检测模型是采用2D卷积神经网络对已标记乳腺病灶的多个乳腺影像进行训练后确定的。从特征图像中确定出的乳腺病灶识别框框选的区域并不一定都包含乳腺病灶，故需要根据乳腺病灶识别框的乳腺病灶概率对各乳腺病灶识别框进行筛选，将乳腺病灶概率小于预设阈值的乳腺病灶识别框删除，其中，乳腺病灶概率为乳腺病灶识别框框选的区域为乳腺病灶的概率。
步骤204：根据从各特征图像中确定出的乳腺病灶识别框，确定乳腺影像的乳腺病灶。
具体的，确定出乳腺病灶识别框之后，将识别框作为乳腺影像中的乳腺病灶输出，输出的乳腺病灶参数包括乳腺病灶的中心坐标以及乳腺病灶的直径，其中乳腺病灶的中心坐标为乳腺病灶识别框的中心坐标，乳腺病灶的直径为乳腺病灶识别框的中心至其中一个面的距离。
由于提取乳腺影像的不同尺寸的特征图像，并识别每一个特征图像中的乳腺病灶，故既能检测到大尺寸的乳腺病灶，同时也能检测到小尺寸的乳腺病灶，提高了乳腺病灶检测的精度。其次，相较于人工判断乳腺影像中是否存在乳腺病灶的方法，本申请中自动检测乳腺病灶的方法有效地提高了乳腺病灶识别效率。
由于从各个特征图像中确定出的乳腺病灶识别框可能存在多个识别框对应一个乳腺病灶，若直接根据乳腺病灶识别框的数量确定乳腺影像中乳腺病灶的数量，将导致检测得到的乳腺病灶数量存在很大偏差，故需要将各特征图像转化为同一尺寸的特征图像并对齐，然后将从各特征图像中确定出的乳腺病灶识别框进行筛选，并将筛选后的乳腺病灶识别框确定为乳腺影像中的乳腺病灶。
为进一步提高乳腺病灶的识别准确率，一种可能的实现方式，所述乳腺影像包括不同侧乳房的不同投照位的乳腺影像；所述将所述乳腺影像输入至特征提取模块，包括：
将所述乳腺影像的同一投照位的另一侧乳房的乳腺影像作为所述乳腺影像的参考影像，输入至所述特征提取模块，获得参考特征图像；
所述针对所述乳腺影像的不同尺寸的特征图像中的任意一个特征图像，从所述特征图像中确定出乳腺病灶识别框；包括：
确定所述特征图像中的第一乳腺病灶识别框和所述参考特征图像中的第二乳腺病灶识别框；
若确定所述第一乳腺病灶识别框和所述第二乳腺病灶识别框的位置和/或大小都相同，则删除所述第一乳腺病灶识别框。
可选地，乳腺病灶识别框的筛选过程包括以下步骤，如图3所示：
步骤301，从各特征图像的乳腺病灶识别框中确定乳腺病灶概率最大的乳腺病灶识别框。
步骤302，计算乳腺病灶概率最大的乳腺病灶识别框与其他乳腺病灶识别框的交并比。
步骤303，将交并比大于预设阈值的其他乳腺病灶识别框删除。
步骤304，从剩余的其他乳腺病灶识别框中确定乳腺病灶概率最大的乳腺病灶识别框，重复执行乳腺病灶识别框的筛选过程，直到没有剩余的其他乳腺病灶识别框。
下面结合具体的例子对上述乳腺病灶识别框的筛选过程进行说明，设定各特征图像中确定出的乳腺病灶识别框分别为A、B、C、D、E、F，上述各乳腺病灶识别框的乳腺病灶概率分别为：P(A)＝0.9、P(B)＝0.85、P(C)＝0.95、P(D)＝0.75、P(E)＝0.96、P(F)＝0.65。将上述乳腺病灶识别框按照乳腺病灶概率从大到小进行排序后为：E、C、A、B、D、F，排序后可知各特征图像的乳腺病灶识别框中乳腺病灶概率最大的乳腺病灶识别框为E，然后分别计算乳腺病灶识别框E与其他各乳腺病灶识别框之间的交并比IOU，其中交并比的计算方式如式(1)所示：
其中，m为乳腺病灶概率最大的乳腺病灶识别框，n为与乳腺病灶识别框m比较的乳腺病灶识别框，IOU为乳腺病灶识别框m与乳腺病灶识别框n之间的交并比。
设定预设阈值为0.5，若乳腺病灶识别框C与乳腺病灶识别框E之间的交并比大于0.5，乳腺病灶识别框A与乳腺病灶识别框E之间的交并比大于0.5，乳腺病灶识别框B、乳腺病灶识别框D、乳腺病灶识别框F与乳腺病灶识别框E之间的交并比均小于0.5，则删除乳腺病灶识别框C和乳腺病灶识别框A，将乳腺病灶识别框E确定为乳腺影像中的乳腺病灶。
进一步地，将剩余的其他乳腺病灶识别框B、D、F根据乳腺病灶概率进行排序，确定乳腺病灶概率最大的乳腺病灶识别框为乳腺病灶识别框B，然后计算乳腺病灶识别框B与乳腺病灶识别框D之间的交并比以及乳腺病灶识别框B与乳腺病灶识别框F之间的交并比。若乳腺病灶识别框B与乳腺病灶识别框D之间的交并比大于0.5，乳腺病灶识别框B与乳腺病灶识别框F之间的交并比小于0.5，则删除乳腺病灶识别框D，将乳腺病灶识别框B以及乳腺病灶识别框F确定为乳腺影像中的乳腺病灶。由于根据乳腺病灶识别框的乳腺病灶概率以及乳腺病灶识别框之间的交并比对各特征图像中确定出的乳腺病灶识别框进行筛选，避免重复检测乳腺影像中的同一个乳腺病灶并输出，提高检测乳腺影像中乳腺病灶数量的准确性。
下面具体介绍一下通过2D卷积神经网络对已标记乳腺病灶的多个乳腺影像进行训练确定乳腺病灶检测模型过程，如图4所示，包括以下步骤：
步骤401，获取乳腺影像作为训练样本。
具体地，可以将获取的多幅乳腺影像直接作为训练样本，也可以对获取的多幅乳腺影像进行增强操作，扩大训练样本的数据量，增强操作包括但不限于：随机上下左右平移设定像素(比如0～20像素)、随机旋转设定角度(比如-15～15度)、随机缩放设定倍数(比如0.85～1.15倍)。
步骤402，人工标记训练样本中的乳腺病灶。
可以通过医生等专业人员对训练样本中的乳腺病灶进行标记，标记的内容包括乳腺病灶的中心坐标以及乳腺病灶的直径。具体地，可以由多名医生对乳腺病灶进行标注，并通过多人投票合成的方式确定最终的乳腺病灶以及乳腺病灶参数，结果用掩码图的方式保存。需要说明的是，人工标记训练样本中乳腺病灶与训练样本的增强操作不分先后，可以先人工标记训练样本中的乳腺病灶，然后再将标记乳腺病灶的训练样本进行增强操作，也可以先将训练样本进行增强操作，然后人工对增强操作后的训练样本进行标记。
步骤403，将训练样本输入卷积神经网络进行训练，确定乳腺病灶识别模型。
该卷积神经网络的结构包括输入层、下采样卷积块、上采样卷积块、目标检测网络以及输出层。将训练样本进行预处理后输入上述卷积神经网络，将输出的乳腺病灶与预先标记的训练样本的掩码图进行损失函数计算，然后采用反向传播算法以及sgd优化算法反复迭代，确定乳腺病灶检测模型。
进一步地，采用上述训练确定的乳腺病灶检测模型提取乳腺影像的不同尺寸的特征图像的过程，包括以下步骤：
步骤一，将乳腺影像依次通过N/2个下采样卷积块提取N个乳腺影像的第一特征图像。
每个下采样卷积块提取的第一特征图像的尺寸均不同，N/2大于0。
可选地，下采样卷积块包括第一卷积层和第二卷积层、组连接层、前后连接层、下采样层。
步骤二，将第N/2个下采样卷积块输出的第一特征图像依次通过N/2个上采样卷积块提取N/2个乳腺影像的第二特征图像。
每个上采样卷积块提取的第二特征图像的尺寸均不同。
可选地，上采样卷积块包括卷积层、组连接层、前后连接层、上采样层以及合成连接层。卷积层包括卷积运算，batch normalization层和RELU层。
步骤三，将尺寸相同的第一特征图像和第二特征图像合并后，确定N/2个乳腺影像的不同尺寸的特征图像。
通过上采样卷积块中的合成连接层将尺寸相同的第一特征图像和第二特征图像合并确定不同尺寸的特征图像。可选地，在合并时，是将第一特征图像和第二特征图像的通道数进行合并，合并后得到的特征图像的尺寸与第一特征图像和第二特征图像的尺寸相同。
进一步地，采用上述训练确定的乳腺病灶检测模型从特征图像中确定出乳腺病灶识别框的过程，包括以下步骤：
步骤一，针对特征图像中任意一个像素，以像素为中心，向四周扩散确定第一区域。
步骤二，在第一区域中根据预设规则设置多个预设框。
由于乳腺病灶的形状不一，故可以将预设框设置为多种形状。预设规则可以是将预设框中心与第一区域的中心重合，也可以是预设框的角与第一区域的角重合等等。
在一个具体的实施例中，乳腺病灶预设框选取的方式为，对于每个特征图的每个像素，认为其为一个锚点。在每个锚点上设置多个长宽比不一的预设框。对于每个预设框，通过对特征图进行卷积，预测一个坐标和尺寸的偏移，以及置信度，根据坐标和尺寸的偏移，以及置信度，确定预设框。
步骤三，针对任意一个预设框，预测预设框与第一区域的位置偏差。
步骤四，根据位置偏差调整预设框后确定乳腺病灶识别框，并预测乳腺病灶识别框的乳腺病灶概率。
其中，乳腺病灶概率为乳腺病灶识别框框选的区域为乳腺病灶的概率。通过预测预设框与第一区域的位置偏差，然后采用位置偏差调整预设框确定识别框，以使识别框更多地框选特征图中的乳腺病灶区域，提高乳腺病灶检测的准确性。
具体的训练过程可以包括：将训练数据影像输入上述的卷积神经网络进行计算。传入时，将病灶不同窗宽窗位的多张影像传入。训练时，在卷积神经网络输出的预测框中，选取置信度最高的预测框集和与训练样本重合最大的预测框集合。将预测框置信度和样本标注的交叉熵，与训练样本的标注病灶和预测框的偏移的交叉熵，两者的加权和作为loss函数。通过反向传播的方法训练，训练的优化算法使用带有动量和阶梯衰减的sgd算法。
在算法使用过程中，通过预处理模块，将输入图像预处理，以提高特征提取的效果。
一种可能的实现方式，所述获取乳腺影像，包括：
步骤一、将拍摄的乳腺影像图像，根据高斯滤波，确定所述乳腺影像图像的二值化图像；
步骤二、获取所述二值化图像的连通区域，将连通区域中最大的区域对应于所述乳腺影像图像的区域作为分割出的乳腺图像；
步骤三、将所述分割出的乳腺图像添加至预设的图像模板中，生成预处理后的乳腺图像；并将所述预处理后的乳腺图像作为输入至所述特征提取模块的乳腺影像。
具体的，预处理模块的输入为以Dicom格式形式保存的乳腺影像。预处理可以包括腺体分割和图像归一化；腺体分割的主要目的是将输入的乳腺影像中的乳腺部分提取出，剔除其他无关的干扰的图像；图像归一化是将图像化归为统一格式图像，具体的，包括：
在步骤一中，具体的二值化的阈值可以通过求图像灰度直方图的最大类间距方法获得。
在步骤二中，可以将二值化的结果，通过漫水法(flood fill)获得独立的区域块，并统计每个区域块的面积；将面积最大的区域块对应的图像上的区域，作为分割出来的乳腺图像。
在步骤三中，预设的图像模板可以为黑色底板的正方形图像；具体的，可以将获得的分割出来的乳腺图像，通过加黑边填充的方式扩充为1:1的正方形图像。
另外，输出的乳腺影像可以通过像素缩放，例如，可以将图像差值缩放到4096像素×4096像素大小。
针对乳腺，由于乳腺照射剂量以及拍摄的外界因素等原因，可以通过调整乳腺的窗宽窗位，以获得更好的乳腺病灶识别的识别效果。一种可能的实现方式，所述将所述乳腺影像输入至特征提取模块之前，还包括：
获取所述乳腺影像的原始文件；
在所述乳腺影像的原始文件中选取至少一组窗宽窗位，并获取所述至少一组窗宽窗位对应的图片格式的乳腺影像；
根据所述至少一组窗宽窗位对应的图片格式的乳腺影像，作为输入至所述特征提取模块的乳腺影像。
在一个具体实施例中，可以通过三组窗宽窗位，将dicom图像转换为png图像，例如，第一组窗宽为4000，窗位2000；第二组窗宽为1000；窗位为2000；第三组窗宽为1500，窗位为1500。
基于相同的技术构思，本发明实施例提供了一种乳腺病灶识别的装置，如图5所示，该装置可以执行乳腺病灶识别的方法的流程，该装置包括获取单元501、处理单元502。
获取单元501，用于获取乳腺影像；
处理单元502，用于将所述乳腺影像输入至特征提取模块中，获取所述乳腺影像不同尺寸的特征图像；所述特征提取模块包括N个卷积模块；所述N个卷积模块为下采样卷积块和/或上采样卷积块；每个下采样卷积块或上采样卷积块提取的特征图像的尺寸均不同，所述N个卷积模块的每个卷积模块中包括第一卷积层、第二卷积层；所述第一卷积层输出的特征图像的个数小于所述第一卷积层输入的特征图像的个数；所述第二卷积层输出的特征图像的个数大于所述第一卷积层输出的特征图像的个数；N大于0；针对所述乳腺影像的不同尺寸的特征图像中的任意一个特征图像，从所述特征图像中确定出乳腺病灶识别框；根据从各特征图像中确定出的乳腺病灶识别框，确定乳腺影像的乳腺病灶。
一种可能的实现方式，所述处理单元502，具体用于：
将所述乳腺影像依次通过N/2个下采样卷积块提取N/2个所述乳腺影像的第一特征图像；将第N/2个下采样卷积块输出的第一特征图像依次通过N/2个上采样卷积块提取N/2个所述乳腺影像的第二特征图像，每个上采样卷积块提取的第二特征图像的尺寸均不同；将尺寸相同的第一特征图像和第二特征图像合并后，确定N个所述乳腺影像的不同尺寸的特征图像。
一种可能的实现方式，所述特征处理模块之前还包括特征预处理模块；所述处理单元502，具体用于：
将所述乳腺影像输入至所述特征预处理模块中，所述特征预处理模块包括一个卷积层，一个BN层，一个Relu层和一个池化层；所述特征预处理模块的卷积核大小大于所述N个卷积模块中的卷积核的大小；
或者，所述特征预处理模块包括连续的多个卷积层，一个BN层，一个Relu层和一个池化层；所述特征预处理模块的卷积核大小与所述N个卷积模块中的最大的卷积核的大小相等。
一种可能的实现方式，所述获取单元501，用于：
获取所述乳腺影像的原始文件；
所述处理单元502，具体用于：
在所述乳腺影像的原始文件中选取至少一组窗宽窗位，并获取所述至少一组窗宽窗位对应的图片格式的乳腺影像；根据所述至少一组窗宽窗位对应的图片格式的乳腺影像，作为输入至所述特征提取模块的乳腺影像。
一种可能的实现方式，所述乳腺影像包括不同侧乳房的不同投照位的乳腺影像；所述获取单元501，用于：
将所述乳腺影像的同一投照位的另一侧乳房的乳腺影像作为所述乳腺影像的参考影像，输入至所述特征提取模块，获得参考特征图像；确定所述特征图像中的第一乳腺病灶识别框和所述参考特征图像中的第二乳腺病灶识别框；若确定所述第一乳腺病灶识别框和所述第二乳腺病灶识别框的位置和/或大小都相同，则删除所述第一乳腺病灶识别框。
本发明实施例提供了一种计算设备，包括至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行乳腺病灶识别的方法的步骤。如图6所示，为本发明实施例中所述的计算设备的硬件结构示意图，该计算设备具体可以为台式计算机、便携式计算机、智能手机、平板电脑等。具体地，该计算设备可以包括存储器801、处理器802及存储在存储器上的计算机程序，所述处理器802执行所述程序时实现上述实施例中的任一乳腺病灶识别的方法的步骤。其中，存储器801可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器802提供存储器801中存储的程序指令和数据。
进一步地，本申请实施例中所述的计算设备还可以包括输入装置803以及输出装置804等。输入装置803可以包括键盘、鼠标、触摸屏等；输出装置804可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)，触摸屏等。存储器801，处理器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图6中以通过总线连接为例。处理器802调用存储器801存储的程序指令并按照获得的程序指令执行上述实施例提供的乳腺病灶识别的方法。
本发明实施例还提供了一种计算机可读存储介质，其存储有可由计算设备执行的计算机程序，当所述程序在计算设备上运行时，使得所述计算设备执行乳腺病灶识别的方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种乳腺影像病灶识别的方法，其特征在于，包括：
获取乳腺影像；
将所述乳腺影像输入至特征提取模块中，获取所述乳腺影像不同尺寸的特征图像；所述特征提取模块包括N个卷积模块；所述N个卷积模块为下采样卷积块和/或上采样卷积块；每个下采样卷积块或上采样卷积块提取的特征图像的尺寸均不同，所述N个卷积模块的每个卷积模块中包括第一卷积层、第二卷积层；所述第一卷积层输出的特征图像的个数小于所述第一卷积层输入的特征图像的个数；所述第二卷积层输出的特征图像的个数大于所述第一卷积层输出的特征图像的个数；N大于0；
针对所述乳腺影像的不同尺寸的特征图像中的任意一个特征图像，从所述特征图像中确定出乳腺病灶识别框；
根据从各特征图像中确定出的乳腺病灶识别框，确定乳腺影像的乳腺病灶。
2.如权利要求1所述的方法，其特征在于，所述获取所述乳腺影像的不同尺寸的特征图像，包括：
将所述乳腺影像依次通过N/2个下采样卷积块提取N/2个所述乳腺影像的第一特征图像；所述N/2为正整数；
将第N/2个下采样卷积块输出的第一特征图像依次通过N/2个上采样卷积块提取N/2个所述乳腺影像的第二特征图像，每个上采样卷积块提取的第二特征图像的尺寸均不同；
将尺寸相同的第一特征图像和第二特征图像合并后，确定N个所述乳腺影像的不同尺寸的特征图像。
3.如权利要求1所述的方法，其特征在于，所述特征处理模块之前还包括特征预处理模块；所述将所述乳腺影像输入至特征提取模块之前，还包括：
将所述乳腺影像输入至所述特征预处理模块中，所述特征预处理模块包括一个卷积层，一个BN层，一个Relu层和一个池化层；所述特征预处理模块的卷积核大小大于所述N个卷积模块中的卷积核的大小；
或者，所述特征预处理模块包括连续的多个卷积层，一个BN层，一个Relu层和一个池化层；所述特征预处理模块的卷积核大小与所述N个卷积模块中的最大的卷积核的大小相等。
4.如权利要求1所述的方法，其特征在于，所述将所述乳腺影像输入至特征提取模块之前，还包括：
获取所述乳腺影像的原始文件；
在所述乳腺影像的原始文件中选取至少一组窗宽窗位，并获取所述至少一组窗宽窗位对应的图片格式的乳腺影像；
根据所述至少一组窗宽窗位对应的图片格式的乳腺影像，作为输入至所述特征提取模块的乳腺影像。
5.如权利要求1-4任一项所述的方法，其特征在于，所述乳腺影像包括不同侧乳房的不同投照位的乳腺影像；所述将所述乳腺影像输入至特征提取模块，包括：
将所述乳腺影像的同一投照位的另一侧乳房的乳腺影像作为所述乳腺影像的参考影像，输入至所述特征提取模块，获得参考特征图像；
所述针对所述乳腺影像的不同尺寸的特征图像中的任意一个特征图像，从所述特征图像中确定出乳腺病灶识别框；包括：
确定所述特征图像中的第一乳腺病灶识别框和所述参考特征图像中的第二乳腺病灶识别框；
若确定所述第一乳腺病灶识别框和所述第二乳腺病灶识别框的位置和/或大小都相同，则删除所述第一乳腺病灶识别框。
6.一种乳腺影像病灶识别的装置，其特征在于，包括：
获取单元，用于获取乳腺影像；
处理单元，用于将所述乳腺影像输入至特征提取模块中，获取所述乳腺影像不同尺寸的特征图像；所述特征提取模块包括N个卷积模块；所述N个卷积模块为下采样卷积块或上采样卷积块；每个下采样卷积块或上采样卷积块提取的特征图像的尺寸均不同，所述N个卷积模块的每个卷积模块中包括第一卷积层、第二卷积层；所述第一卷积层输出的特征图像的个数小于所述第一卷积层输入的特征图像的个数；所述第二卷积层输出的特征图像的个数大于所述第一卷积层输出的特征图像的个数；N大于0；针对所述乳腺影像的不同尺寸的特征图像中的任意一个特征图像，从所述特征图像中确定出乳腺病灶识别框；根据从各特征图像中确定出的乳腺病灶识别框，确定乳腺影像的乳腺病灶。
7.如权利要求6所述的装置，其特征在于，所述处理单元，具体用于：
将所述乳腺影像依次通过N/2个下采样卷积块提取N/2个所述乳腺影像的第一特征图像；将第N/2个下采样卷积块输出的第一特征图像依次通过N/2个上采样卷积块提取N/2个所述乳腺影像的第二特征图像，每个上采样卷积块提取的第二特征图像的尺寸均不同；所述N/2为正整数；将尺寸相同的第一特征图像和第二特征图像合并后，确定N个所述乳腺影像的不同尺寸的特征图像。
8.如权利要求6或7所述的装置，其特征在于，所述乳腺影像包括不同侧乳房的不同投照位的乳腺影像；所述处理单元，具体用于：
将所述乳腺影像的同一投照位的另一侧乳房的乳腺影像作为所述乳腺影像的参考影像，输入至所述特征提取模块，获得参考特征图像；确定所述特征图像中的第一乳腺病灶识别框和所述参考特征图像中的第二乳腺病灶识别框；若确定所述第一乳腺病灶识别框和所述第二乳腺病灶识别框的位置和/或大小都相同，则删除所述第一乳腺病灶识别框。
9.一种计算设备，其特征在于，包括至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～5任一权利要求所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，其存储有可由计算设备执行的计算机程序，当所述程序在所述计算设备上运行时，使得所述计算设备执行权利要求1～5任一所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811201699.2A CN109363697B (zh) | 2018-10-16 | 2018-10-16 | 一种乳腺影像病灶识别的方法及装置 |
| PCT/CN2019/082687 WO2020077961A1 (zh) | 2018-10-16 | 2019-04-15 | 一种乳腺影像病灶识别的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811201699.2A CN109363697B (zh) | 2018-10-16 | 2018-10-16 | 一种乳腺影像病灶识别的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109363697A CN109363697A (zh) | 2019-02-22 |
| CN109363697B true CN109363697B (zh) | 2020-10-16 |
Family
ID=65400521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811201699.2A Active CN109363697B (zh) | 2018-10-16 | 2018-10-16 | 一种乳腺影像病灶识别的方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109363697B (zh) |
| WO (1) | WO2020077961A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109363697B (zh) * | 2018-10-16 | 2020-10-16 | 杭州依图医疗技术有限公司 | 一种乳腺影像病灶识别的方法及装置 |
| TWI769370B (zh) * | 2019-03-08 | 2022-07-01 | 太豪生醫股份有限公司 | 病灶偵測裝置及其方法 |
| CN110400302B (zh) * | 2019-07-25 | 2021-11-09 | 杭州依图医疗技术有限公司 | 一种确定、显示乳房图像中病灶信息的方法及装置 |
| CN110930385A (zh) * | 2019-11-20 | 2020-03-27 | 北京推想科技有限公司 | 乳房肿块检测定位方法和装置 |
| CN111325743A (zh) * | 2020-03-05 | 2020-06-23 | 北京深睿博联科技有限责任公司 | 基于联合征象的乳腺x射线影像分析方法和装置 |
| CN116258717B (zh) * | 2023-05-15 | 2023-09-08 | 广州思德医疗科技有限公司 | 病灶识别方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010003041A2 (en) * | 2008-07-03 | 2010-01-07 | Nec Laboratories America, Inc. | Mitotic figure detector and counter system and method for detecting and counting mitotic figures |
| US20150213302A1 (en) * | 2014-01-30 | 2015-07-30 | Case Western Reserve University | Automatic Detection Of Mitosis Using Handcrafted And Convolutional Neural Network Features |
| CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
| CN107133933A (zh) * | 2017-05-10 | 2017-09-05 | 广州海兆印丰信息科技有限公司 | 基于卷积神经网络的乳腺x线图像增强方法 |
| US20180293737A1 (en) * | 2017-04-07 | 2018-10-11 | Nvidia Corporation | System and method for optical flow estimation |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170249739A1 (en) * | 2016-02-26 | 2017-08-31 | Biomediq A/S | Computer analysis of mammograms |
| 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 |
| CN108771530B (zh) * | 2017-05-04 | 2021-03-30 | 深圳硅基智能科技有限公司 | 基于深度神经网络的眼底病变筛查系统 |
| CN109363697B (zh) * | 2018-10-16 | 2020-10-16 | 杭州依图医疗技术有限公司 | 一种乳腺影像病灶识别的方法及装置 |
| CN109363699B (zh) * | 2018-10-16 | 2022-07-12 | 杭州依图医疗技术有限公司 | 一种乳腺影像病灶识别的方法及装置 |
| CN109363698B (zh) * | 2018-10-16 | 2022-07-12 | 杭州依图医疗技术有限公司 | 一种乳腺影像征象识别的方法及装置 |
| CN109447065B (zh) * | 2018-10-16 | 2020-10-16 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
-
2018
- 2018-10-16 CN CN201811201699.2A patent/CN109363697B/zh active Active
-
2019
- 2019-04-15 WO PCT/CN2019/082687 patent/WO2020077961A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010003041A2 (en) * | 2008-07-03 | 2010-01-07 | Nec Laboratories America, Inc. | Mitotic figure detector and counter system and method for detecting and counting mitotic figures |
| US20150213302A1 (en) * | 2014-01-30 | 2015-07-30 | Case Western Reserve University | Automatic Detection Of Mitosis Using Handcrafted And Convolutional Neural Network Features |
| CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
| US20180293737A1 (en) * | 2017-04-07 | 2018-10-11 | Nvidia Corporation | System and method for optical flow estimation |
| CN107133933A (zh) * | 2017-05-10 | 2017-09-05 | 广州海兆印丰信息科技有限公司 | 基于卷积神经网络的乳腺x线图像增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020077961A1 (zh) | 2020-04-23 |
| CN109363697A (zh) | 2019-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447065B (zh) | 一种乳腺影像识别的方法及装置 | |
| CN109363699B (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| CN109363698B (zh) | 一种乳腺影像征象识别的方法及装置 | |
| CN109363697B (zh) | 一种乳腺影像病灶识别的方法及装置 | |
| Li et al. | DeepSEED: 3D squeeze-and-excitation encoder-decoder convolutional neural networks for pulmonary nodule detection | |
| US9480439B2 (en) | Segmentation and fracture detection in CT images | |
| CN109003267B (zh) | 从3d图像自动检测目标对象的计算机实现方法和系统 | |
| US7646902B2 (en) | Computerized detection of breast cancer on digital tomosynthesis mammograms | |
| US9262822B2 (en) | Malignant mass detection and classification in radiographic images | |
| CN108648192B (zh) | 一种检测结节的方法及装置 | |
| CN109840913B (zh) | 一种乳腺x线图像中肿块分割的方法和系统 | |
| Banerjee et al. | Automated 3D segmentation of brain tumor using visual saliency | |
| CN110046627B (zh) | 一种乳腺影像识别的方法及装置 | |
| JP2007307358A (ja) | 画像処理方法および装置ならびにプログラム | |
| CN109461144B (zh) | 一种乳腺影像识别的方法及装置 | |
| CN112053325A (zh) | 一种乳腺肿块图像处理和分类系统 | |
| WO2023047118A1 (en) | A computer-implemented method of enhancing object detection in a digital image of known underlying structure, and corresponding module, data processing apparatus and computer program | |
| Hu et al. | A multi-instance networks with multiple views for classification of mammograms | |
| CN112529900B (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
| Pezeshki et al. | Mass classification of mammograms using fractal dimensions and statistical features | |
| CN111062909A (zh) | 乳腺肿块良恶性判断方法及设备 | |
| CN113469942B (zh) | 一种ct图像病变检测方法 | |
| CN110390671B (zh) | 一种乳腺钙化检出的方法及装置 | |
| Hassan et al. | A deep learning model for mammography mass detection using mosaic and reconstructed multichannel images | |
| CN110533637B (zh) | 一种检测对象的方法及装置 |
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 |