CN109919254A - 乳腺密度分类方法、系统、可读存储介质和计算机设备 - Google Patents
乳腺密度分类方法、系统、可读存储介质和计算机设备 Download PDFInfo
- Publication number
- CN109919254A CN109919254A CN201910244498.9A CN201910244498A CN109919254A CN 109919254 A CN109919254 A CN 109919254A CN 201910244498 A CN201910244498 A CN 201910244498A CN 109919254 A CN109919254 A CN 109919254A
- Authority
- CN
- China
- Prior art keywords
- image
- breast density
- galactophore
- classification
- galactophore image
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种乳腺密度分类方法、系统、可读存储介质和设备,属于医疗影像技术领域,获取待检测的乳腺图像,利用预设的乳腺分割模型对乳腺图像进行分割处理,得到乳腺分割结果,分割的目的是将乳腺图像中的乳腺独立出来,再将乳腺分割结果映射到乳腺图像上,在目标图像上突显乳腺,利用预设的乳腺密度分类模型对目标图像中的乳腺密度进行分类,得到乳腺密度分类结果。通过两种模型对乳腺图像进行处理,先进行乳腺分割,将其映射到乳腺图像上,突出乳腺区域进行分类,而且模型识别相对于人工识别可以减小乳腺图像的判别误差,大大提高乳腺图像的乳腺密度分类的准确性。
Description
技术领域
本发明涉及医疗影像技术领域,特别是涉及一种乳腺密度分类方法、系统、可读存储介质和计算机设备。
背景技术
乳腺密度对乳腺疾病的研究有重要意义,一是因为随着乳腺密度的增加,通过乳腺图像的诊断敏感性会不断降低,医生的诊断准确度也会随之下降;二是一般来说,乳腺密度的增加伴随着乳腺癌的发病风险的增加。此外还有研究表明乳腺密度与乳腺癌的预后因子相关。近年来,大量关于乳腺密度和乳腺癌风险相关的研究,虽然不少放射科学者质疑这些研究存在方法学上的缺陷,但目前越来越多的主流杂志认可致密乳腺与乳腺癌的相关性。有数据显示,国内的致密乳腺人群相对于国外占更大的比例,所以乳腺密度被确定为乳腺癌的独立强相关因子必将会对国内的临床实践和卫生经济政策产生很大的影响。
传统的乳腺图像的乳腺密度分类工作是放射科医师的常规工作,但是目前国内能够准确阅读乳腺图像的医师数量较少,医师一般通过目测对乳腺图像直接进行阅读,然后评判致密组织所占的百分比,进而记录图像对应的分类。不同的医师之间的目测标注无法保证完全一致,所以一些介于临近分类之间的乳腺图像,不同的医师可能会得到不同的分类结果,因此,对乳腺图像的乳腺密度分类工作的准确性低。
发明内容
基于此,有必要针对传统的对乳腺图像的乳腺密度分类工作的准确性低的问题,提供一种乳腺密度分类方法、系统、可读存储介质和计算机设备。
一种乳腺密度分类方法,包括以下步骤:
获取待检测的乳腺图像,根据预设的乳腺分割模型对乳腺图像进行分割处理,获得乳腺分割结果;
将乳腺分割结果映射到乳腺图像上,获得目标图像;
根据预设的乳腺密度分类模型对目标图像进行分类,获取乳腺图像的乳腺密度分类。
根据上述的乳腺密度分类方法,获取待检测的乳腺图像,利用预设的乳腺分割模型对乳腺图像进行分割处理,得到乳腺分割结果,分割的目的是将乳腺图像中的乳腺独立出来,再将乳腺分割结果映射到乳腺图像上,在目标图像上突显乳腺,利用预设的乳腺密度分类模型对目标图像中的乳腺密度进行分类,得到乳腺密度分类结果。本方案中,通过两种模型对乳腺图像进行处理,先进行乳腺分割,将其映射到乳腺图像上,突出乳腺区域进行分类,而且模型识别相对于人工识别可以减小乳腺图像的判别误差,大大提高乳腺图像的乳腺密度分类的准确性,还可以减少医师的工作量,疏通医院的工作流程,为病例的快速筛选提供了极大的辅助,提高患者的就诊效率。
在其中一个实施例中,获取待检测的乳腺图像的步骤包括以下步骤:
获取乳腺原始图像,对乳腺原始图像进行预处理,获得待检测的乳腺图像;其中,预处理包括窗宽窗位调节。
在其中一个实施例中,待检测的乳腺图像包括在不同拍摄模式下的乳腺图像,获取乳腺图像的乳腺密度分类结果的步骤包括以下步骤:
获取不同拍摄模式下的乳腺图像的乳腺密度分类,根据各乳腺密度分类获取最终的乳腺密度分类。
在其中一个实施例中,不同拍摄模式下的乳腺图像包括右侧上下位的乳腺图像、右侧斜位的乳腺图像、左侧上下位的乳腺图像或左侧斜位的乳腺图像;
根据各乳腺密度分类获取最终的乳腺密度分类的步骤包括以下步骤:
选取右侧上下位的乳腺图像和右侧斜位的乳腺图像中乳腺密度较低的第一分类,选取左侧上下位的乳腺图像和左侧斜位的乳腺图像中乳腺密度较低的第二分类,将第一分类和第二分类中乳腺密度较高的分类作为最终的乳腺密度分类。
在其中一个实施例中,乳腺密度分类方法还包括以下步骤:
获取深度学习图像分割模型,获取待训练的乳腺图像,将待训练的乳腺图像输入至深度学习图像分割模型,对待训练的乳腺图像进行分割,获得输出图像;
获取输出图像与待训练的乳腺图像的标准分割图像之间的第一差异数据,根据第一差异数据更新深度学习图像分割模型的网络权重,并返回至将待训练的乳腺图像输入至深度学习图像分割模型的步骤,经过多次迭代最终获得乳腺分割模型。
在其中一个实施例中,待训练的乳腺图像包括脂肪型、少量腺体型、多量腺体型和致密型,且脂肪型、少量腺体型、多量腺体型和致密型的乳腺图像数量占比一致或两两之间的数量差值在预设范围内。
在其中一个实施例中,乳腺密度分类方法还包括以下步骤:
获取深度学习图像分类模型;
将输出图像映射到待训练的乳腺图像上,获得输入图像;
将输入图像输入至深度学习图像分类模型,对目标图像进行分类,获得分类结果;
获取分类结果与待训练的乳腺图像的实际分类之间的第二差异数据,根据第二差异数据更新深度学习图像分类模型的网络权重,并返回至将第一输出图像映射到待训练的乳腺图像上的步骤,经过多次迭代最终获得乳腺密度分类模型。
在其中一个实施例中,将待训练的乳腺图像输入至深度学习图像分割模型的步骤包括以下步骤:
根据深度学习图像分割模型调整待训练的乳腺图像的大小,采用随机修剪策略和随机旋转策略对调整后的乳腺图像进行图像数据增强,并且在窗宽窗位调节、归一化和标准化操作后输入至深度学习图像分割模型;
将输入图像输入至深度学习图像分类模型的步骤包括以下步骤:
根据深度学习图像分类模型调整输入图像的大小,采用随机旋转策略和随机翻转策略对调整后的输入图像进行图像数据增强,并且在窗宽窗位调节、归一化和标准化操作后输入至深度学习图像分类模型。
一种乳腺密度分类系统,包括:
图像分割单元,用于获取待检测的乳腺图像,根据预设的乳腺分割模型对乳腺图像进行分割处理,获得乳腺分割结果;
图像映射单元,用于将乳腺分割结果映射到乳腺图像上,获得目标图像;
图像分类单元,用于根据预设的乳腺密度分类模型对目标图像进行分类,获取乳腺图像的乳腺密度分类。
根据上述的乳腺密度分类系统,图像分割单元获取待检测的乳腺图像,利用预设的乳腺分割模型对乳腺图像进行分割处理,得到乳腺分割结果,分割的目的是将乳腺图像中的乳腺独立出来,图像映射单元再将乳腺分割结果映射到乳腺图像上,在目标图像上突显乳腺,图像分类单元利用预设的乳腺密度分类模型对目标图像中的乳腺密度进行分类,得到乳腺密度分类结果。本方案中,通过两种模型对乳腺图像进行处理,先进行乳腺分割,将其映射到乳腺图像上,突出乳腺区域进行分类,而且模型识别相对于人工识别可以减小乳腺图像的判别误差,大大提高乳腺图像的乳腺密度分类的准确性,还可以减少医师的工作量,疏通医院的工作流程,为病例的快速筛选提供了极大的辅助,提高患者的就诊效率。
在其中一个实施例中,图像分割单元获取乳腺原始图像,对乳腺原始图像进行预处理,获得待检测的乳腺图像;其中,预处理包括窗宽窗位调节。
在其中一个实施例中,待检测的乳腺图像包括在不同拍摄模式下的乳腺图像,图像分类单元获取不同拍摄模式下的乳腺图像的乳腺密度分类,根据各乳腺密度分类获取最终的乳腺密度分类。
在其中一个实施例中,不同拍摄模式下的乳腺图像包括右侧上下位的乳腺图像、右侧斜位的乳腺图像、左侧上下位的乳腺图像或左侧斜位的乳腺图像;
图像分类单元选取右侧上下位的乳腺图像和右侧斜位的乳腺图像中乳腺密度较低的第一分类,选取左侧上下位的乳腺图像和左侧斜位的乳腺图像中乳腺密度较低的第二分类,将第一分类和第二分类中乳腺密度较高的分类作为最终的乳腺密度分类。
在其中一个实施例中,乳腺密度分类系统还包括模型训练单元,用于获取深度学习图像分割模型,获取待训练的乳腺图像,将待训练的乳腺图像输入至深度学习图像分割模型,对待训练的乳腺图像进行分割,获得输出图像;获取输出图像与待训练的乳腺图像的标准分割图像之间的第一差异数据,根据第一差异数据更新深度学习图像分割模型的网络权重,并返回至将待训练的乳腺图像输入至深度学习图像分割模型的步骤,经过多次迭代最终获得乳腺分割模型。
在其中一个实施例中,待训练的乳腺图像包括脂肪型、少量腺体型、多量腺体型和致密型,且脂肪型、少量腺体型、多量腺体型和致密型的乳腺图像数量占比一致或两两之间的数量差值在预设范围内。
在其中一个实施例中,模型训练单元还用于获取深度学习图像分类模型;将输出图像映射到待训练的乳腺图像上,获得输入图像;将输入图像输入至深度学习图像分类模型,对目标图像进行分类,获得分类结果;获取分类结果与待训练的乳腺图像的实际分类之间的第二差异数据,根据第二差异数据更新深度学习图像分类模型的网络权重,并返回至将输入图像输入至深度学习图像分类模型的步骤,经过多次迭代最终获得乳腺密度分类模型。
在其中一个实施例中,模型训练单元根据深度学习图像分割模型调整待训练的乳腺图像的大小,采用随机修剪策略和随机旋转策略对调整后的乳腺图像进行图像数据增强,并且在窗宽窗位调节、归一化和标准化操作后输入至深度学习图像分割模型;
模型训练单元根据深度学习图像分类模型调整输入图像的大小,采用随机旋转策略和随机翻转策略对调整后的输入图像进行图像数据增强,并且在窗宽窗位调节、归一化和标准化操作后输入至深度学习图像分类模型。
一种可读存储介质,其上存储有可执行程序,可执行程序被处理器执行时实现上述的乳腺密度分类方法的步骤。
上述可读存储介质,通过其存储的可执行程序,可以实现通过两种模型对乳腺图像进行处理,先进行乳腺分割,将其映射到乳腺图像上,突出乳腺区域进行分类,而且模型识别相对于人工识别可以减小乳腺图像的判别误差,大大提高乳腺图像的乳腺密度分类的准确性,还可以减少医师的工作量,疏通医院的工作流程,为病例的快速筛选提供了极大的辅助,提高患者的就诊效率。
一种计算机设备,包括存储器和处理器,存储器存储有可执行程序,处理器执行可执行程序时实现上述的乳腺密度分类方法的步骤。
上述计算机设备,通过在处理器上运行可执行程序,可以实现通过两种模型对乳腺图像进行处理,先进行乳腺分割,将其映射到乳腺图像上,突出乳腺区域进行分类,而且模型识别相对于人工识别可以减小乳腺图像的判别误差,大大提高乳腺图像的乳腺密度分类的准确性,还可以减少医师的工作量,疏通医院的工作流程,为病例的快速筛选提供了极大的辅助,提高患者的就诊效率。
附图说明
图1为一个实施例中的乳腺密度分类方法的流程示意图;
图2为一个实施例中的乳腺密度分类系统的结构示意图;
图3为另一个实施例中的乳腺密度分类系统的结构示意图;
图4为一个实施例中的乳腺密度分类模型训练的流程示意图;
图5为一个实施例中的乳腺密度分类测试的流程示意图。
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白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
需要说明的是,本发明实施例所涉及的术语“第一\第二”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请提供的乳腺密度分类方法,可以应用于各种医学成像系统的乳腺图像识别的场景中,例如X-ray成像系统、CT成像系统、MR(Magnetic Resonance,核磁共振)成像系统等。
参见图1所示,为本发明一个实施例的乳腺密度分类方法的流程示意图。该实施例中的乳腺密度分类方法包括以下步骤:
步骤S110:获取待检测的乳腺图像,根据预设的乳腺分割模型对乳腺图像进行分割处理,获得乳腺分割结果;
在本步骤中,待检测的乳腺图像可以是通过医学成像系统对乳房进行检测获得的图像,可以通过连接医学成像系统获取,预设的乳腺分割模型可以是经过训练的神经网络模型,可以快速对乳腺图像进行识别和分割处理,获得乳腺分割结果,乳腺分布在乳房中,通过成像获得的图像中不仅仅有乳腺,还有其他组织,如胸大肌等,通过乳腺分割,可以将乳腺单独分离开,去除乳腺以外的其他组织对后续乳腺分类的影响;
步骤S120:将乳腺分割结果映射到乳腺图像上,获得目标图像;
在本步骤中,乳腺图像分割后,乳腺所在的区域不一定是连续的,可能是离散的,此时单独对分割后的乳腺图像进行乳腺密度分类无意义,需要对整体乳腺图像考虑乳腺密度,因此将乳腺分割结果映射到原始的乳腺图像上,得到突显乳腺区域的目标图像,以供后续进行分类处理;
步骤S130:根据预设的乳腺密度分类模型对目标图像进行分类,获取乳腺图像的乳腺密度分类。
在本步骤中,预设的乳腺分类模型可以快速对目标图像进行识别和分类处理,获得乳腺密度分类;乳腺分类模型可以是经过训练的神经网络模型,模拟大脑神经元的活动方式,能了解给定的输入数据并做出准确的判断。
在本实施例中,获取待检测的乳腺图像,利用预设的乳腺分割模型对乳腺图像进行分割处理,得到乳腺分割结果,分割的目的是将乳腺图像中的乳腺独立出来,再将乳腺分割结果映射到乳腺图像上,在目标图像上突显乳腺,利用预设的乳腺密度分类模型对目标图像中的乳腺密度进行分类,得到乳腺密度分类结果。本方案中,通过两种模型对乳腺图像进行处理,先进行乳腺分割,将其映射到乳腺图像上,突出乳腺区域进行分类,而且模型识别相对于人工识别可以减小乳腺图像的判别误差,大大提高乳腺图像的乳腺密度分类的准确性,还可以减少医师的工作量,疏通医院的工作流程,为病例的快速筛选提供了极大的辅助,提高患者的就诊效率。
需要说明的是,待检测的乳腺图像可以是乳腺X-ray图像、乳腺CT图像、乳腺MR图像等,在将乳腺分割结果映射到乳腺图像上时,可以将乳腺分割结果转化为二值图像,再映射到乳腺图像上。
在一个实施例中,获取待检测的乳腺图像的步骤包括以下步骤:
获取乳腺原始图像,对乳腺原始图像进行预处理,获得待检测的乳腺图像;其中,预处理包括窗宽窗位调节。
在本实施例中,待检测的乳腺图像已经过预处理,乳腺原始图像可以是医学成像系统输出的图像,由于乳腺分割模型对输入的图像有要求,因此需要对乳腺原始图像进行预处理,包括窗宽窗位调节等,窗宽窗位主要针对乳腺,乳腺在图像中像素范围为窗宽值,窗宽的中心值为窗位值,通过窗宽窗位调节可以使乳腺信息在图像中更加突显,可以更加准确地对图像进行分割。
进一步的,在窗宽窗位调节之后,预处理还可以包括对图像的归一化操作和标准化操作,使窗宽外的图像信息因没有灰度差别而无法显示,有助于图像分割。
在一个实施例中,待检测的乳腺图像包括在不同拍摄模式下的乳腺图像,获取乳腺图像的乳腺密度分类结果的步骤包括以下步骤:
获取不同拍摄模式下的乳腺图像的乳腺密度分类,根据各乳腺密度分类获取最终的乳腺密度分类。
在本实施例中,乳腺图像可以在不同拍摄模式下得到,不同拍摄模式下乳腺在图像中显示的乳腺密度有所不同,利用不同拍摄模式下的乳腺图像得到的乳腺密度分类,可以全面地判断乳房真正的乳腺密度,从而得到乳房真正的乳腺密度分类,使乳腺密度分类更加准确。
进一步的,不同拍摄模式下的乳腺图像包括右侧上下位(RCC位)的乳腺图像、右侧斜位(RMLO位)的乳腺图像、左侧上下位(LCC位)的乳腺图像或左侧斜位(LMLO位)的乳腺图像;
根据各乳腺密度分类获取最终的乳腺密度分类的步骤包括以下步骤:
选取RCC位的乳腺图像和RMLO位的乳腺图像中乳腺密度较低的第一分类,选取LCC位的乳腺图像和LMLO位的乳腺图像中乳腺密度较低的第二分类,将第一分类和第二分类中乳腺密度较高的分类作为最终的乳腺密度分类。
通过不同拍摄模式,可以得到不同位置的乳腺图像,针对不同位置的乳腺图像,可以得到相应的乳腺分类结果,针对同一侧乳房但不同拍摄体位(CC,MLO)的乳腺,乳腺密度的高低变化仅是位置变化的影响,低乳腺密度结果与同一侧的实际乳腺密度更为接近,而不同侧乳腺(左乳、右乳)反映的是不同乳房的乳腺密度,取其中较高的乳腺密度才能准确反映检测对象的乳腺密度的实际情况。
需要说明的是,不同拍摄模式下的乳腺图像最好包括RCC位、RMLO位、LCC位和LMLO位的乳腺图像,若其中有部分体位的乳腺图像缺失,可以利用已有的乳腺图像根据上述方式确定乳腺密度分类。
在一个实施例中,乳腺密度分类方法还包括以下步骤:
获取深度学习图像分割模型,获取待训练的乳腺图像,将待训练的乳腺图像输入至深度学习图像分割模型,对待训练的乳腺图像进行分割,获得输出图像;
获取输出图像与待训练的乳腺图像的标准分割图像之间的第一差异数据,根据第一差异数据更新深度学习图像分割模型的网络权重,并返回至将待训练的乳腺图像输入至深度学习图像分割模型的步骤,经过多次迭代最终获得乳腺分割模型。
在本实施例中,深度学习图像分割模型是一种基于深度学习的人工神经网络模型,通过深度学习可以大大提高对乳腺图像的运算能力,获取待训练的乳腺图像,输入至深度学习图像分割模型中,得到分割后的输出图像,利用输出图像与待训练的乳腺图像的标准分割图像之间的差异更新深度学习图像分割模型的网络权重,经过多次对网络权重的迭代更新,提高深度学习图像分割模型对待训练的乳腺图像进行分割的准确性,从而得到乳腺分割模型。
需要说明的是,待训练的乳腺图像可以是乳腺X-ray图像、乳腺CT图像、乳腺MR图像等,标准分割图像是指乳腺图像按照严格的医学标准对乳腺区域进行划分后所得到的图像,是乳腺分割模型根据乳腺图像输出的理想图像。
另外,迭代更新时,在分割后的输出图像与标准分割图像之间的第一差异数据降低到预设数值,且迭代次数也达到某一预设次数后,获得乳腺分割模型。
在一个实施例中,待训练的乳腺图像包括脂肪型、少量腺体型、多量腺体型和致密型,且脂肪型、少量腺体型、多量腺体型和致密型的乳腺图像数量占比一致或两两之间的数量差值在预设范围内。
在本实施例中,乳腺密度在临床上一般通过乳腺图像上的致密乳腺组织所占的百分比来表示,由不同百分比分为ABCD四个等级;其中,致密乳腺组织占比低于25%时分类为A(脂肪型),致密乳腺组织占比为25%~50%时分类为B(少量腺体型),致密乳腺组织占比为50%~75%时分类为C(多量腺体型),致密乳腺组织占比大于75%时分为D(致密型),通过四种数量占比相同或相近的不同类型的乳腺图像,可以使乳腺分割模型能识别各种不同乳腺密度的乳腺图像,对其进行准确的分割。
需要说明的是,脂肪型、少量腺体型、多量腺体型和致密型的乳腺图像数量不一定要完全相同,两两之间的数量差值在预设范围内即可,该预设范围可以根据实际需要进行调整。
在一个实施例中,乳腺密度分类方法还包括以下步骤:
获取深度学习图像分类模型;
将输出图像映射到待训练的乳腺图像上,获得输入图像;
将输入图像输入至深度学习图像分类模型,对目标图像进行分类,获得分类结果;
获取分类结果与待训练的乳腺图像的实际分类之间的第二差异数据,根据第二差异数据更新深度学习图像分类模型的网络权重,并返回至将输入图像输入至深度学习图像分类模型的步骤,经过多次迭代最终获得乳腺密度分类模型。
在本实施例中,将乳腺分割模型的输出图像映射到待训练的乳腺图像上,作为深度学习图像分类模型的输入图像,由于乳腺图像中的乳腺区域已经被分割突显出来,深度学习图像分类模型可以对其中的乳腺密度分类,输出乳腺密度分类结果,利用分类结果与待训练的乳腺图像的实际分类之间的差异更新深度学习图像分类模型的网络权重,经过多次对网络权重的迭代更新,提高深度学习图像分类模型对待训练的乳腺图像进行分类的准确性,从而得到乳腺密度分类模型。
需要说明的是,乳腺图像的实际分类可以综合多个医生的分类标准,得到一个鲁棒性更高的分类标准,进而符合实际的分类需求。
另外,迭代更新时,在分类结果与实际分类之间的第二差异数据降低到预设数值,且迭代次数也达到某一预设次数后,获得乳腺密度分类模型。
在一个实施例中,将待训练的乳腺图像输入至深度学习图像分割模型的步骤包括以下步骤:
根据深度学习图像分割模型调整待训练的乳腺图像的大小,采用随机修剪策略和随机旋转策略对调整后的乳腺图像进行图像数据增强,并且在窗宽窗位调节、归一化和标准化操作后输入至深度学习图像分割模型;
将输入图像输入至深度学习图像分类模型的步骤包括以下步骤:
根据深度学习图像分类模型调整输入图像的大小,采用随机旋转策略和随机翻转策略对调整后的输入图像进行图像数据增强,并且在窗宽窗位调节、归一化和标准化操作后输入至深度学习图像分类模型。
在本实施例中,由于深度学习图像分割模型对数据格式的要求,在输入待训练的乳腺图像之前,需要对其大小进行调整,再用随机修剪策略和随机旋转策略对调整后的乳腺图像进行图像数据增强,并且在窗宽窗位调节、归一化和标准化操作后输入至深度学习图像分割模型,以使乳腺信息在图像中更加突显,可以更加准确地对图像进行分割;同理,在输入图像输入至深度学习图像分类模型之前,调整输入图像的大小,采用随机旋转策略和随机翻转策略对调整后的输入图像进行图像数据增强,并且采用窗宽窗位调节、归一化和标准化操作,以更加准确地对图像进行分类。
根据上述乳腺密度分类方法,本发明实施例还提供一种乳腺密度分类系统,以下就乳腺密度分类系统的实施例进行详细说明。
参见图2所示,为一个实施例的乳腺密度分类系统的结构示意图。该实施例中的乳腺密度分类系统包括:
图像分割单元210,用于获取待检测的乳腺图像,根据预设的乳腺分割模型对乳腺图像进行分割处理,获得乳腺分割结果;
图像映射单元220,用于将乳腺分割结果映射到乳腺图像上,获得目标图像;
图像分类单元230,用于根据预设的乳腺密度分类模型对目标图像进行分类,获取乳腺图像的乳腺密度分类。
在本实施例中,图像分割单元210获取待检测的乳腺图像,利用预设的乳腺分割模型对乳腺图像进行分割处理,得到乳腺分割结果,分割的目的是将乳腺图像中的乳腺独立出来,图像映射单元220再将乳腺分割结果映射到乳腺图像上,在目标图像上突显乳腺,图像分类单元230利用预设的乳腺密度分类模型对目标图像中的乳腺密度进行分类,得到乳腺密度分类结果。本方案中,通过两种模型对乳腺图像进行处理,先进行乳腺分割,将其映射到乳腺图像上,突出乳腺区域进行分类,而且模型识别相对于人工识别可以减小乳腺图像的判别误差,大大提高乳腺图像的乳腺密度分类的准确性,还可以减少医师的工作量,疏通医院的工作流程,为病例的快速筛选提供了极大的辅助,提高患者的就诊效率。
在一个实施例中,图像分割单元210获取乳腺原始图像,对乳腺原始图像进行预处理,获得待检测的乳腺图像;其中,预处理包括窗宽窗位调节。
在一个实施例中,待检测的乳腺图像包括在不同拍摄模式下的乳腺图像,图像分类单元230获取不同拍摄模式下的乳腺图像的乳腺密度分类,根据各乳腺密度分类获取最终的乳腺密度分类。
在一个实施例中,不同拍摄模式下的乳腺图像包括右侧上下位的乳腺图像、右侧斜位的乳腺图像、左侧上下位的乳腺图像或左侧斜位的乳腺图像;
图像分类单元230选取右侧上下位的乳腺图像和右侧斜位的乳腺图像中乳腺密度较低的第一分类,选取左侧上下位的乳腺图像和左侧斜位的乳腺图像中乳腺密度较低的第二分类,将第一分类和第二分类中乳腺密度较高的分类作为最终的乳腺密度分类。
在一个实施例中,如图3所示,乳腺密度分类系统还包括模型训练单元240,用于获取深度学习图像分割模型,获取待训练的乳腺图像,将待训练的乳腺图像输入至深度学习图像分割模型,对待训练的乳腺图像进行分割,获得输出图像;获取输出图像与待训练的乳腺图像的标准分割图像之间的第一差异数据,根据第一差异数据更新深度学习图像分割模型的网络权重,并返回至将待训练的乳腺图像输入至深度学习图像分割模型的步骤,经过多次迭代最终获得乳腺分割模型。
在其中一个实施例中,待训练的乳腺图像包括脂肪型、少量腺体型、多量腺体型和致密型,且脂肪型、少量腺体型、多量腺体型和致密型的乳腺图像数量占比一致或两两之间的数量差值在预设范围内。
在其中一个实施例中,模型训练单元240还用于获取深度学习图像分类模型;将输出图像映射到待训练的乳腺图像上,获得输入图像;将输入图像输入至深度学习图像分类模型,对目标图像进行分类,获得分类结果;获取分类结果与待训练的乳腺图像的实际分类之间的第二差异数据,根据第二差异数据更新深度学习图像分类模型的网络权重,并返回至将输入图像输入至深度学习图像分类模型的步骤,经过多次迭代最终获得乳腺密度分类模型。
在其中一个实施例中,模型训练单元240根据深度学习图像分割模型调整待训练的乳腺图像的大小,采用随机修剪策略和随机旋转策略对调整后的乳腺图像进行图像数据增强,并且在窗宽窗位调节、归一化和标准化操作后输入至深度学习图像分割模型;
模型训练单元240根据深度学习图像分类模型调整输入图像的大小,采用随机旋转策略和随机翻转策略对调整后的输入图像进行图像数据增强,并且在窗宽窗位调节、归一化和标准化操作后输入至深度学习图像分类模型。
本发明实施例的乳腺密度分类系统与上述乳腺密度分类方法一一对应,在上述乳腺密度分类方法的实施例阐述的技术特征及其有益效果均适用于乳腺密度分类系统的实施例中。
一种可读存储介质,其上存储有可执行程序,可执行程序被处理器执行时实现上述的乳腺密度分类方法的步骤。
上述可读存储介质,通过其存储的可执行程序,可以实现通过两种模型对乳腺图像进行处理,先进行乳腺分割,将其映射到乳腺图像上,突出乳腺区域进行分类,而且模型识别相对于人工识别可以减小乳腺图像的判别误差,大大提高乳腺图像的乳腺密度分类的准确性,还可以减少医师的工作量,疏通医院的工作流程,为病例的快速筛选提供了极大的辅助,提高患者的就诊效率。
一种计算机设备,包括存储器和处理器,存储器存储有可执行程序,处理器执行可执行程序时实现上述的乳腺密度分类方法的步骤。
上述计算机设备,通过在处理器上运行可执行程序,可以实现通过两种模型对乳腺图像进行处理,先进行乳腺分割,将其映射到乳腺图像上,突出乳腺区域进行分类,而且模型识别相对于人工识别可以减小乳腺图像的判别误差,大大提高乳腺图像的乳腺密度分类的准确性,还可以减少医师的工作量,疏通医院的工作流程,为病例的快速筛选提供了极大的辅助,提高患者的就诊效率。
本领域普通技术人员可以理解实现上述实施例用于乳腺密度分类的数据处理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,程序可存储于一非易失性的计算机可读取存储介质中,如实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述乳腺密度分类方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
在一个实施例中,乳腺密度分类方法可以应用于乳腺X-ray图像的临床分类场景中。
如图4所示,乳腺X-ray图像数据采集,得到原始数据,原始数据同时包含四种(脂肪型,少量腺体型,多量腺体型,致密型)不同的乳腺分类数据,且四种分类的数据比例基本一致。
对原始数据进行图像预处理,首先将输入图像调整到分割模型能够接受的大小,再采用随机crop(修剪)策略以及随机rotate(旋转)策略对原始数据进行增强。且由于原始乳腺X-ray图像的对比度较低,因此需要对进入模型的数据调节窗宽窗位后,统一进行归一化操作和标准化操作。
乳腺分割阶段,使用深度学习图像分割模型对乳腺X-ray图像的乳腺部分进行分割,去除乳腺之外的胸大肌等部分。经过数据预处理后的训练图像输入deep learningsegmentation network(深度学习分割神经网络)后得到的输出与训练图像的真实标准分割比较并计算差异数据,反向传播更新deep learning segmentation network的分割权重。经过不断迭代得到预训练好的模型,即trained_seg_model。将分割后的图像转为二值图像后再映射到原始乳腺X-ray图像上,作为深度学习分类模型的原始输入数据。
对进入深度学习分类模型的输入数据进行图像预处理,首先将输入图像调整到分类模型能够接受的大小,再采用随机rotate(旋转)和随机flip(翻转)策略对数据进行增强。和前述预处理步骤一样,同样需要对数据调节窗宽窗位后,统一进行归一化操作和标准化操作。
乳腺分类阶段,使用深度学习分类模型对输入图像的乳腺密度进行分类。经过预处理后的训练图像输入deep learning classification network(深度学习分类神经网络)后得到的输出与训练图像的真实标准分类比较并计算差异数据,反向传播更新deeplearning classification network的权重。经过不断迭代得到预训练好的模型,即trained_cls_model。
如图5所示,测试阶段,将准备用于测试的数据调节好窗宽窗位后经过归一化和标准化操作,然后首先输入到trained_seg_model中得到乳腺部分的分割结果,将分割结果转化为二值图像后映射到原始图像,再重新经过归一化和标准化操作后输入进trained_cls_model得到乳腺密度的分类结果。
对于同一病人的不同拍摄模式(RCC,RMLO,LCC,LMLO)的测试结果进行统一分析,针对同一侧但不同拍摄体位(CC,MLO)的乳腺,测试结果取密度较低分类,对于不同侧乳腺(左侧,右侧),测试结果取密度较高分类。最后综合病人的四种拍摄模式,得到最终的分类结果。
在计算机辅助诊断系统中,将输入系统的原始乳腺X射线图像经过一系列预处理和模型分割、分类后得到乳腺密度分类结果,将分类结果显示于诊断系统中供医生查看。
乳腺密度在临床上一般通过乳腺X-ray片即mammography上的致密乳腺组织所占的百分比来表示,由不同百分比分为ABCD四个等级。其中,致密组织占比低于25%时分类为A(脂肪型),致密组织占比为25%~50%时分类为B(少量腺体型),致密组织占比为50%~75%时分类为C(多量腺体型),致密组织占比大于75%时分为D(致密型)。通过本方案实现自动读片获取乳腺图像的乳腺密度并对其分类,可以极大地减少医生的工作量,疏通医院的工作流程,提高患者的就诊效率。
以上所述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。
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步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于可读取存储介质中。该程序在执行时,包括上述方法所述的步骤。所述的存储介质,包括:ROM/RAM、磁碟、光盘等。
以上所述实施例仅表达了本发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种乳腺密度分类方法,其特征在于,包括以下步骤:
获取待检测的乳腺图像,根据预设的乳腺分割模型对所述乳腺图像进行分割处理,获得乳腺分割结果;
将所述乳腺分割结果映射到所述乳腺图像上,获得目标图像;
根据预设的乳腺密度分类模型对所述目标图像进行分类,获取所述乳腺图像的乳腺密度分类。
2.根据权利要求1所述的乳腺密度分类方法,其特征在于,所述获取待检测的乳腺图像的步骤包括以下步骤:
获取乳腺原始图像,对所述乳腺原始图像进行预处理,获得所述待检测的乳腺图像;其中,所述预处理包括窗宽窗位调节。
3.根据权利要求1所述的乳腺密度分类方法,其特征在于,所述待检测的乳腺图像包括在不同拍摄模式下的乳腺图像,获取乳腺图像的乳腺密度分类结果的步骤包括以下步骤:
获取不同拍摄模式下的乳腺图像的乳腺密度分类,根据各所述乳腺密度分类获取最终的乳腺密度分类。
4.根据权利要求3所述的乳腺密度分类方法,其特征在于,所述不同拍摄模式下的乳腺图像包括右侧上下位的乳腺图像、右侧斜位的乳腺图像、左侧上下位的乳腺图像或左侧斜位的乳腺图像;
所述根据各所述乳腺密度分类获取最终的乳腺密度分类的步骤包括以下步骤:
选取所述右侧上下位的乳腺图像和右侧斜位的乳腺图像中乳腺密度较低的第一分类,选取所述左侧上下位的乳腺图像和左侧斜位的乳腺图像中乳腺密度较低的第二分类,将所述第一分类和所述第二分类中乳腺密度较高的分类作为最终的乳腺密度分类。
5.根据权利要求1所述的乳腺密度分类方法,其特征在于,还包括以下步骤:
获取深度学习图像分割模型,获取待训练的乳腺图像,将所述待训练的乳腺图像输入至所述深度学习图像分割模型,对所述待训练的乳腺图像进行分割,获得输出图像;
获取所述输出图像与所述待训练的乳腺图像的标准分割图像之间的第一差异数据,根据所述第一差异数据更新所述深度学习图像分割模型的网络权重,并返回至所述将所述待训练的乳腺图像输入至所述深度学习图像分割模型的步骤,经过多次迭代最终获得所述乳腺分割模型。
6.根据权利要求5所述的乳腺密度分类方法,其特征在于,所述待训练的乳腺图像包括脂肪型、少量腺体型、多量腺体型和致密型,且脂肪型、少量腺体型、多量腺体型和致密型的乳腺图像数量占比一致或两两之间的数量差值在预设范围内。
7.根据权利要求5所述的乳腺密度分类方法,其特征在于,还包括以下步骤:
获取深度学习图像分类模型;
将所述输出图像映射到所述待训练的乳腺图像上,获得输入图像;
将所述输入图像输入至所述深度学习图像分类模型,对所述目标图像进行分类,获得分类结果;
获取所述分类结果与所述待训练的乳腺图像的实际分类之间的第二差异数据,根据所述第二差异数据更新所述深度学习图像分类模型的网络权重,并返回至所述将所述输入图像输入至所述深度学习图像分类模型的步骤,经过多次迭代最终获得所述乳腺密度分类模型。
8.一种乳腺密度分类系统,其特征在于,包括:
图像分割单元,用于获取待检测的乳腺图像,根据预设的乳腺分割模型对所述乳腺图像进行分割处理,获得乳腺分割结果;
图像映射单元,用于将所述乳腺分割结果映射到所述乳腺图像上,获得目标图像;
图像分类单元,用于根据预设的乳腺密度分类模型对所述目标图像进行分类,获取所述乳腺图像的乳腺密度分类。
9.一种可读存储介质,其上存储有可执行程序,其特征在于,所述可执行程序被处理器执行时实现权利要求1至7中任意一项所述的乳腺密度分类方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有可执行程序,其特征在于,所述处理器执行所述可执行程序时实现权利要求1至7中任意一项所述的乳腺密度分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244498.9A CN109919254B (zh) | 2019-03-28 | 2019-03-28 | 乳腺密度分类方法、系统、可读存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244498.9A CN109919254B (zh) | 2019-03-28 | 2019-03-28 | 乳腺密度分类方法、系统、可读存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919254A true CN109919254A (zh) | 2019-06-21 |
CN109919254B CN109919254B (zh) | 2021-08-17 |
Family
ID=66967501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910244498.9A Active CN109919254B (zh) | 2019-03-28 | 2019-03-28 | 乳腺密度分类方法、系统、可读存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919254B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111166362A (zh) * | 2019-12-31 | 2020-05-19 | 北京推想科技有限公司 | 医学图像的显示方法及装置、存储介质及电子设备 |
CN112907525A (zh) * | 2021-02-07 | 2021-06-04 | 中国人民解放军总医院 | 乳腺磁共振图像智能分类方法、装置、设备和介质 |
CN113421633A (zh) * | 2021-06-25 | 2021-09-21 | 上海联影智能医疗科技有限公司 | 特征分类方法、计算机设备和存储介质 |
CN114494935A (zh) * | 2021-12-15 | 2022-05-13 | 北京百度网讯科技有限公司 | 视频信息的处理方法、装置、电子设备和介质 |
CN115984229A (zh) * | 2023-01-10 | 2023-04-18 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101184442A (zh) * | 2005-06-02 | 2008-05-21 | 柯尼卡美能达医疗印刷器材株式会社 | 乳房图像左右判别方法以及乳房图像摄影系统 |
US20110026791A1 (en) * | 2009-07-29 | 2011-02-03 | Icad, Inc. | Systems, computer-readable media, and methods for classifying and displaying breast density |
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 |
CN108052977A (zh) * | 2017-12-15 | 2018-05-18 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
CN108550150A (zh) * | 2018-04-17 | 2018-09-18 | 上海联影医疗科技有限公司 | 乳腺密度的获取方法、设备及可读存储介质 |
CN109002831A (zh) * | 2018-06-05 | 2018-12-14 | 南方医科大学南方医院 | 一种基于卷积神经网络的乳腺密度分类方法、系统及装置 |
CN109461144A (zh) * | 2018-10-16 | 2019-03-12 | 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 |
-
2019
- 2019-03-28 CN CN201910244498.9A patent/CN109919254B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101184442A (zh) * | 2005-06-02 | 2008-05-21 | 柯尼卡美能达医疗印刷器材株式会社 | 乳房图像左右判别方法以及乳房图像摄影系统 |
US20110026791A1 (en) * | 2009-07-29 | 2011-02-03 | Icad, Inc. | Systems, computer-readable media, and methods for classifying and displaying breast density |
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 |
CN108052977A (zh) * | 2017-12-15 | 2018-05-18 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
CN108550150A (zh) * | 2018-04-17 | 2018-09-18 | 上海联影医疗科技有限公司 | 乳腺密度的获取方法、设备及可读存储介质 |
CN109002831A (zh) * | 2018-06-05 | 2018-12-14 | 南方医科大学南方医院 | 一种基于卷积神经网络的乳腺密度分类方法、系统及装置 |
CN109461144A (zh) * | 2018-10-16 | 2019-03-12 | 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 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111166362A (zh) * | 2019-12-31 | 2020-05-19 | 北京推想科技有限公司 | 医学图像的显示方法及装置、存储介质及电子设备 |
CN112907525A (zh) * | 2021-02-07 | 2021-06-04 | 中国人民解放军总医院 | 乳腺磁共振图像智能分类方法、装置、设备和介质 |
CN112907525B (zh) * | 2021-02-07 | 2021-09-28 | 中国人民解放军总医院 | 乳腺磁共振图像智能分类方法、装置、设备和介质 |
CN113421633A (zh) * | 2021-06-25 | 2021-09-21 | 上海联影智能医疗科技有限公司 | 特征分类方法、计算机设备和存储介质 |
CN114494935A (zh) * | 2021-12-15 | 2022-05-13 | 北京百度网讯科技有限公司 | 视频信息的处理方法、装置、电子设备和介质 |
CN114494935B (zh) * | 2021-12-15 | 2024-01-05 | 北京百度网讯科技有限公司 | 视频信息的处理方法、装置、电子设备和介质 |
CN115984229A (zh) * | 2023-01-10 | 2023-04-18 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109919254B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919254A (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
Man et al. | Classification of breast cancer histopathological images using discriminative patches screened by generative adversarial networks | |
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 | |
US10997466B2 (en) | Method and system for image segmentation and identification | |
Joshi et al. | Classification of brain cancer using artificial neural network | |
Kromp et al. | Evaluation of deep learning architectures for complex immunofluorescence nuclear image segmentation | |
CN102388305B (zh) | 基于图像的风险分数-来自数字组织病理学的存活率和结果的预后预估 | |
CN106815481A (zh) | 一种基于影像组学的生存期预测方法及装置 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
CN108537793A (zh) | 一种基于改进的u-net网络的肺结节检测方法 | |
CN108520518A (zh) | 一种甲状腺肿瘤超声图像识别方法及其装置 | |
CN109754007A (zh) | 前列腺手术中外包膜智能检测和预警方法及系统 | |
WO2018209057A1 (en) | System and method associated with predicting segmentation quality of objects in analysis of copious image data | |
CN109685768A (zh) | 基于肺部ct序列的肺结节自动检测方法及系统 | |
CN108364293A (zh) | 一种在线训练甲状腺肿瘤超声图像识别方法及其装置 | |
CN108550150A (zh) | 乳腺密度的获取方法、设备及可读存储介质 | |
NL2003805A (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model. | |
CN112085113B (zh) | 一种重症肿瘤影像识别系统及方法 | |
CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
Kromp et al. | Deep Learning architectures for generalized immunofluorescence based nuclear image segmentation | |
Wu et al. | A state-of-the-art survey of U-Net in microscopic image analysis: From simple usage to structure mortification | |
CN114255462A (zh) | 用于分析组织病理学图像数据的方法和设备 | |
AU2020223750B2 (en) | Method and System for Image Annotation | |
CN111528918B (zh) | 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质 |
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 |