CN110613486A - 一种乳腺超声图像的检测方法及装置 - Google Patents

一种乳腺超声图像的检测方法及装置 Download PDF

Info

Publication number
CN110613486A
CN110613486A CN201910943202.2A CN201910943202A CN110613486A CN 110613486 A CN110613486 A CN 110613486A CN 201910943202 A CN201910943202 A CN 201910943202A CN 110613486 A CN110613486 A CN 110613486A
Authority
CN
China
Prior art keywords
region
radiography
shape
breast
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
Application number
CN201910943202.2A
Other languages
English (en)
Other versions
CN110613486B (zh
Inventor
孙鲲
金英健
孙诗雨
刘汀
吕淑敏
蔡文俊
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.)
Shenzhen University General Hospital
Original Assignee
Shenzhen University General Hospital
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 Shenzhen University General Hospital filed Critical Shenzhen University General Hospital
Priority to CN201910943202.2A priority Critical patent/CN110613486B/zh
Publication of CN110613486A publication Critical patent/CN110613486A/zh
Application granted granted Critical
Publication of CN110613486B publication Critical patent/CN110613486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/481—Diagnostic techniques involving the use of contrast agent, e.g. microbubbles introduced into the bloodstream
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
    • A61B8/5246—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from the same or different imaging techniques, e.g. color Doppler and B-mode

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Hematology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种乳腺超声图像的检测方法及装置，所述方法包括：采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割；基于时间序列分别获取区域在造影前以及造影后的轮廓，并分析出区域在造影剂的作用下的区域的形状变化参数数据；提取区域的形状变化参数数据进行回归分析，并将分析结果与预设的分级标准进行匹配，对区域进行分级判定。本发明通过采集乳腺超声造影图像数据，分析乳腺超声图像中在造影前与造影后的形状发生变化的区域，并基于其形状变化参数数据来对该区域进行分级判定，从而有利于检测出乳腺超声图像中的异常结节，提高乳腺超声图像的检测准确度。

Description

一种乳腺超声图像的检测方法及装置
技术领域
本发明涉及医疗图像检测分析技术领域，尤其涉及的是一种乳腺超声图像的检测方法及装置。
背景技术
乳腺超声图像是直接反应乳腺情况的图像。超声具有成像质量佳、无创廉价、方便简单的优势逐渐成为乳腺结节影像学检查的首选。超声造影技术可以实时显示出乳腺结节的微循环特征。目前乳腺超声造影的结果主要通过医生肉眼判断乳腺结节的造影增强模式，以及超声仪自带的分析软件对结节造影后的时间-强度曲线进行定量分析。然而实际应用中良恶性乳腺结节的增强模式仅凭肉眼判断不足以做出准确的判断，造影曲线的定量指标也是良恶性重叠明显，因此现有技术中不能准确的区分出乳腺异常结节，并且也无法判断乳腺异常结节具体的级别。
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的检测方法及装置，旨在解决现有技术中难以准确区分出乳腺超声图像中的异常结节，并且也无法判断乳腺异常结节具体的级别的问题。
本发明解决技术问题所采用的技术方案如下：
一种乳腺超声图像检测方法，其中，所述方法包括：
采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割；
基于时间序列分别获取所述区域在造影前以及造影后的轮廓，并分析出所述区域在造影剂的作用下的所述区域的形状变化参数数据；
提取所述区域的形状变化参数数据进行回归分析，并将分析结果与预设的分级标准进行匹配，对所述区域进行分级判定。
优选地，所述采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割，包括：
采集乳腺超声图像，并在造影剂灌入与退出时实时采集乳腺超声造影图像数据；
获取造影前的乳腺超声图像以及造影后的乳腺超声图像，并将两者进行对比分析，得到所述乳腺超声图像中在造影前与造影后的形状发生改变的区域；
对所述区域进行标记，并利用深度神经网络对所述区域进行分割。
优选地，所述采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割，还包括：
当确定出所述乳腺超声图像中在造影前与造影后的形状发生改变的区域后，将所述区域与预设的案例数据库中的乳腺超声图像进行比对，对所述区域进行确认操作。
优选地，所述乳腺超声图像中在造影前与造影后的形状发生改变的区域为所述乳腺超声图像中的异常结节区域。
优选地，所述对所述区域进行标记，利用深度神经网络对所述区域进行分割，包括：
在所述乳腺超声图像中对所述区域进行勾画，并将勾画后的乳腺超声图像输入至深度神经网络进行训练；
在训练的过程中，采用基于交叉熵作为损失函数，并基于随机梯度对所述深度神经网络进行优化，采用自适应矩估计器对参数进行优化；
通过所述深度神经网络将所述区域从所述乳腺超声图像中分割出来。
优选地，所述基于时间序列分别获取所述区域在造影前以及造影后的轮廓，并分析出所述区域在造影剂的作用下的形状变化参数数据，包括：
在获取所述区域在造影前以及造影后的轮廓的过程中，实时获取所述区域在不同时刻的形状；
将获取的每一时刻的所述区域的形状与预设的形状参照进行对比；
若所述区域的形状与预设的形状参照匹配时，记录所述区域的当前形状以及当前时刻，并生成形状变化参数数据。
优选地，所述区域的形状变化参数数据包括：所述区域的形状在造影剂的作用下是否与预设的形状参照匹配以及所述区域的面积变化率。
优选地，所述提取所述区域的形状变化参数数据进行回归分析，并将分析结果与预设的分级标准进行匹配，对所述区域进行分级判定之前，还包括：
预先存储以分级标准，所述分级标准包括不同分析结果所对应的等级，每一个等级代表所述区域的不同状态。
一种乳腺超声图像检测装置，其中，所述装置包括：
区域分割模块，用于采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割；
数据处理模块，用于基于时间序列分别获取所述区域在造影前以及造影后的轮廓，并分析出所述区域在造影剂的作用下的形状变化参数数据；
分级判定模块，用于提取所述区域的形状变化参数数据进行回归分析，并将分析结果与预设的分级标准进行匹配，对所述区域进行分级判定。
优选地，所述形状变化参数数据包括：所述区域的形状在造影剂的作用下是否与预设的形状参照匹配以及所述区域的面积变化率。
本发明的有益效果：本发明通过采集乳腺超声造影图像数据，分析在乳腺超声图像中在造影前与造影后的形状发生变化的区域，并基于其的形状变化参数数据来对该区域进行分级判定，从而有利于检测出乳腺超声图像中的异常结节，提高乳腺超声图像的检测准确度。
附图说明
图1是本发明提供的乳腺超声图像检测方法的较佳实施例的流程图。
图2是本发明提供的乳腺超声图像检测方法中的造影后的乳腺超声图像以及造影前的乳腺超声图像。
图3是本发明提供的乳腺超声图像检测方法中标记的区域轮廓。
图4是本发明提供的乳腺超声图像检测装置的功能原理框图。
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。
为了解决现有技术中难以准确区分出乳腺超声图像中的异常结节，并且也无法判断乳腺异常结节具体的级别的问题。本实施例提供一种乳腺超声图像检测方法，具体如图1中所示，包括如下步骤：
步骤S100、采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割；
步骤S200、基于时间序列分别获取所述区域在造影前以及造影后的轮廓，并分析出所述区域在造影剂的作用下的所述区域的形状变化参数数据；
步骤S300、提取所述区域的形状变化参数数据进行回归分析，并将分析结果与预设的分级标准进行匹配，对所述区域进行分级判定。
具体地，本实施例首先获取乳腺超声图像，然后利用造影剂来对乳腺区域进行处理，在造影剂灌入以及退出的过程中实时采集乳腺超声造影图像数据，由此就可以获得造影前的乳腺超声图像以及造影后的乳腺超声图像，如图2中所示，图2中A为造影后的乳腺超声图像，B为造影前的乳腺超声图像。然后将获取造影前的乳腺超声图像以及造影后的乳腺超声图像进行对比分析，对比两者图像中的各个区域，得到所述乳腺超声图像中在造影前与造影后的形状发生改变的区域，并对该区域进行标记，具体如图3所示，图3中A为标记的造影后的区域，B为标记的造影前的区域。基于先验知识可知，乳腺异常结节向周边浸润性生长，在周边会出现“蟹足”样新生区，在早期这些征象往往不明显，灰阶超声也无法显示，但是在浸润部分存在新生血管，当造影剂灌入时这些血管及其供给的部分也会出现异常增强，结节范围较灰阶超声增大，形状也会较造影前出现改变，而乳腺良性结节由于不存在上述病理基础，所以造影时不会出现明显的范围增大或形状改变，由此可知，上述乳腺超声图像中在造影前与造影后的形状发生改变的区域即为该乳腺超声图像中的异常结节区域。当确定出该乳腺超声图像中在造影前与造影后的形状发生改变的区域后，将该区域与预设的案例数据库中的乳腺超声图像进行比对，本实施例中案例数据库中的乳腺超声图像中具有已经确定出的异常结节区域，本实施例中通过将乳腺超声图像中在造影前与造影后的形状发生改变的区域与案例数据库中的乳腺超声图像进行比对，是为了进一步确认该区域，以提高对异常结节区域的检测精度。
进一步地，由于本实施例的目的在于从乳腺超声图像中准确分析出异常结节区域，并进一步对异常结节区域进行等级划分，因此，本实施例还需进一步地对该标记的异常结节区域进行定量分析。具体地，首先在乳腺超声图像中对形状发生改变的区域进行标记后，需要将该形状发生改变的区域从造影后的乳腺超声图像中分割出来。优选地，本实施例利用深度神经网络对该形状发生变化的区域进行分割。
具体地，首先在所述乳腺超声图像中对确定出的异常结节区域进行勾画，并将勾画后的乳腺超声图像输入至深度神经网络进行训练，本实施例中对所述异常结节区域进行勾画时采用的是机器勾画的方式。在本实施例中深度神经网络是基于u-net的卷积神经网络，在该卷积神经网络中的下采样路径中，每一层设置了2个卷积，卷积核大小为3*3，步幅为1，激活函数采用relu(rectified linear units)，padding采用same进行0填充操作，目的是：保留显著特征、降低特征维度，增大kernel(内核)的感受野。在除去最后一层的卷积外的每一层的卷积后均采用了max-pooling(最大池化)，pooling的size是2*2。在下采样结束时，使得feature map(特征图)的大小从512*512减小到32*32，其中为了防止过拟合，在第四，第五层采用了dropout(dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，用于防止过拟合)，大小为0.5。同样，在上采样中有5个卷积层，与上采样不同，每个层有三个卷积，对于每一层的卷积，第一个卷积的卷积核大小为2*2，进行up-sampling(上采样)路径操作，再进行全连接，再进行2次卷积，此时卷积核大小为3*3，每个卷积的其他参数的设置均相同，为：步幅为1，激活函数采用relu，padding采用same进行0填充操作。特征图的大小从32*32增加到512*512。最后，使用一个11卷积层将feature map的数量减少到两个分别反映前景和背景分割的feature map。
在训练的过程中，采用基于交叉熵作为损失函数，并基于随机梯度对所述深度神经网络进行优化，采用自适应矩估计器对参数进行优化。Adam(adaptive momentestimation，自适应矩估计器)利用梯度的一阶矩和二阶矩来更新和修正当前梯度的移动平均。本实施例中，Adam的参数设置为:学习率＝0.0001，最大epoch数＝1000。Batch为4，所有权值初始化为正态分布，均值为0，标准差为0.01，所有偏差初始化为0。使用epoch(整个数据集被训练的个数)大小为16，学习率为0.0002的Adam随机优化对权重进行学习，通过通过上述深度神经网络进行特征学习与训练，就可以将所述异常结节区域从所述乳腺超声图像中分割出来。
进一步地，本实施例根据时间序列分别获取上述形状发生改变的区域在造影前以及造影后的轮廓，并分析出所述区域在造影剂的作用下的形状变化参数数据，就可以得到在造影灌入以及退出时该形状发生改变的区域的轮廓，进而可以准确的描述出该区域的造影剂的面积S的形态随着时间t的变化速率。优选地，本实施例在获取所述区域在造影前以及造影后的轮廓的过程中，实时获取所述区域在不同时刻的形状，然后将获取的每一时刻的所述区域的形状与预设的形状参照(优选为上述的“蟹足”形状)进行对比，若所述区域的形状与预设的形状参照匹配时，则记录所述区域的当前形状以及当前时刻，也就是说会记录该“蟹足”形状以及该“蟹足”形状出现的时刻。由于本实施例实时获取了不同时刻的形状，并且还进一步判断每一个时刻的形状是否为“蟹足”形状，因此就可以得到该区域在造影剂的作用下的形状变化参数数据。本实施例中的形状变化参数数据包括：所述区域的形状在造影剂的作用下是否与预设的形状参照匹配、所述区域的面积变化率。由于获取了该区域的每个时刻的图像，因此也就也可以计算出每个形状的面积，因此就可以获取最大面积Sm以及时刻Tm，则本实施例可以在找到对应时刻的乳腺超声图像，并对该乳腺超声图像中分割出造影前该异常结节区域的面积Cm，利用(Sm-Cm)/Cm，则可以计算出在造影剂的作用下，异常结节区域的造影图像的面积变化速率。
依据先验知识可知，血流充盈是指组织内有血供，说明组织在生长，血供越丰富说明生长速度越快。而良性结节区域与异常结节区域的血供是有区别的。通过彩色多普勒超声检查可显示异常结节区域内部及其周边直径≥200μm的滋养血管，但对低流速和低流量血管无法显示。许多迹象表明异常结节区域的新血管肿瘤与正常毛细血管明显不同，超声造影剂可以增加彩色多普勒的敏感性，显示异常结节区域内部细微的血管。因此本实施例就可以对所述形状变化参数数据(所述区域的形状在造影剂的作用下是否与预设的形状参照匹配、所述区域的面积变化率)进行回归分析，并将分析结果与预设的分级标准进行匹配，对所述区域进行分级判定。优选地，本实施例中预先设置分级标准并存储，该分级标准可以设置为轻度异常、中度异常以及重度异常。如当出现“蟹足”形状的异常结节区域，且该异常结节区域的面积变化率大于130％时，认定为血流充盈，该判定异常结节区域为重度异常。当然，本实施例还可以结合造影剂灌入速率以及退出速率的比值来对该异常结节区域进行分级，例如当出现“蟹足”形状的异常结节区域，且该异常结节区域的面积变化率大于130％时，并且造影剂灌入速率和退出速率的比值若为大于2时，则判定异常结节区域为重度异常，这样可以更为准确地对异常结节区域进行分级，提高分级准确性。
基于上述实施例，本发明还提供一种乳腺超声图像检测装置，如图4所示，所述装置包括：区域分割模块410、数据处理模块420以及分级判定模块430。
具体地，区域分割模块410，用于采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割；数据处理模块420，用于基于时间序列分别获取所述区域在造影前以及造影后的轮廓，并分析出所述区域在造影剂的作用下的形状变化参数数据；分级判定模块430，用于提取所述区域的形状变化参数数据进行回归分析，并将分析结果与预设的分级标准进行匹配，对所述区域进行分级判定。
优选地，所述乳腺超声图像中在造影前与造影后的形状发生改变的区域为所述乳腺超声图像中的异常结节区域。所述形状变化参数数据包括：所述区域的形状在造影剂的作用下是否与预设的形状参照匹配以及所述区域的面积变化率。
本实施例中的乳腺超声图像检测装置各个模块之间的流程以及具有效果描述在上述方法的实施例中已经进行了描述。
综上所述，本发明公开了一种乳腺超声图像的检测方法及装置，所述方法包括：采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割；基于时间序列分别获取区域在造影前以及造影后的轮廓，并分析出区域在造影剂的作用下的区域的形状变化参数数据；提取区域的形状变化参数数据进行回归分析，并将分析结果与预设的分级标准进行匹配，对区域进行分级判定。本发明通过采集乳腺超声造影图像数据，分析乳腺超声图像中在造影前与造影后的形状发生变化的区域，并基于其形状变化参数数据来对该区域进行分级判定，从而有利于检测出乳腺超声图像中的异常结节，提高乳腺超声图像的检测准确度。
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 (10)

1.一种乳腺超声图像检测方法，其特征在于，所述方法包括：
采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割；
基于时间序列分别获取所述区域在造影前以及造影后的轮廓，并分析出所述区域在造影剂的作用下的所述区域的形状变化参数数据；
提取所述区域的形状变化参数数据进行回归分析，并将分析结果与预设的分级标准进行匹配，对所述区域进行分级判定。
2.根据权利要求1所述的乳腺超声图像检测方法，其特征在于，所述采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割，包括：
采集乳腺超声图像，并在造影剂灌入与退出时实时采集乳腺超声造影图像数据；
获取造影前的乳腺超声图像以及造影后的乳腺超声图像，并将两者进行对比分析，得到所述乳腺超声图像中在造影前与造影后的形状发生改变的区域；
对所述区域进行标记，并利用深度神经网络对所述区域进行分割。
3.根据权利要求2所述的乳腺超声图像检测方法，其特征在于，所述采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割，还包括：
当确定出所述乳腺超声图像中在造影前与造影后的形状发生改变的区域后，将所述区域与预设的案例数据库中的乳腺超声图像进行比对，对所述区域进行确认操作。
4.根据权利要求3所述的乳腺超声图像检测方法，其特征在于，所述乳腺超声图像中在造影前与造影后的形状发生改变的区域为所述乳腺超声图像中的异常结节区域。
5.根据权利要求2所述的乳腺超声图像检测方法，其特征在于，所述对所述区域进行标记，利用深度神经网络对所述区域进行分割，包括：
在所述乳腺超声图像中对所述区域进行勾画，并将勾画后的乳腺超声图像输入至深度神经网络进行训练；
在训练的过程中，采用基于交叉熵作为损失函数，并基于随机梯度对所述深度神经网络进行优化，采用自适应矩估计器对参数进行优化；
通过所述深度神经网络将所述区域从所述乳腺超声图像中分割出来。
6.根据权利要求1所述的乳腺超声图像检测方法，其特征在于，所述基于时间序列分别获取所述区域在造影前以及造影后的轮廓，并分析出所述区域在造影剂的作用下的形状变化参数数据，包括：
在获取所述区域在造影前以及造影后的轮廓的过程中，实时获取所述区域在不同时刻的形状；
将获取的每一时刻的所述区域的形状与预设的形状参照进行对比；
若所述区域的形状与预设的形状参照匹配时，记录所述区域的当前形状以及当前时刻，并生成形状变化参数数据。
7.根据权利要求6所述的乳腺超声图像检测方法，其特征在于，所述区域的形状变化参数数据包括：所述区域的形状在造影剂的作用下是否与预设的形状参照匹配以及所述区域的面积变化率。
8.根据权利要求1所述的乳腺超声图像检测方法，其特征在于，所述提取所述区域的形状变化参数数据进行回归分析，并将分析结果与预设的分级标准进行匹配，对所述区域进行分级判定之前，还包括：
预先存储以分级标准，所述分级标准包括不同分析结果所对应的等级，每一个等级代表所述区域的不同状态。
9.一种乳腺超声图像检测装置，其特征在于，所述装置包括：
区域分割模块，用于采集乳腺超声造影图像数据，对乳腺超声图像中在造影前与造影后的形状发生改变的区域进行标记，并利用深度神经网络对所述区域进行分割；
数据处理模块，用于基于时间序列分别获取所述区域在造影前以及造影后的轮廓，并分析出所述区域在造影剂的作用下的形状变化参数数据；
分级判定模块，用于提取所述区域的形状变化参数数据进行回归分析，并将分析结果与预设的分级标准进行匹配，对所述区域进行分级判定。
10.根据权利要求9所述的乳腺超声图像检测装置，其特征在于，所述形状变化参数数据包括：所述区域的形状在造影剂的作用下是否与预设的形状参照匹配以及所述区域的面积变化率。
CN201910943202.2A 2019-09-30 2019-09-30 一种乳腺超声图像的检测方法及装置 Active CN110613486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910943202.2A CN110613486B (zh) 2019-09-30 2019-09-30 一种乳腺超声图像的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910943202.2A CN110613486B (zh) 2019-09-30 2019-09-30 一种乳腺超声图像的检测方法及装置

Publications (2)

Publication Number Publication Date
CN110613486A true CN110613486A (zh) 2019-12-27
CN110613486B CN110613486B (zh) 2022-04-22

Family

ID=68925114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910943202.2A Active CN110613486B (zh) 2019-09-30 2019-09-30 一种乳腺超声图像的检测方法及装置

Country Status (1)

Country Link
CN (1) CN110613486B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462059A (zh) * 2020-03-24 2020-07-28 湖南大学 胎儿超声图像智能目标检测的并行处理方法和装置
CN114038568A (zh) * 2021-09-18 2022-02-11 武汉联影医疗科技有限公司 超声数据的追踪方法、计算机设备和存储介质
CN114067990A (zh) * 2021-09-07 2022-02-18 武汉联影医疗科技有限公司 信息处理系统、方法、装置和医疗设备
WO2023036118A1 (zh) * 2021-09-07 2023-03-16 武汉联影医疗科技有限公司 信息处理系统和方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1839391A (zh) * 2003-06-25 2006-09-27 美国西门子医疗解决公司 用于乳房成像的自动诊断和决策支持的系统和方法
CN101657160A (zh) * 2007-04-13 2010-02-24 皇家飞利浦电子股份有限公司 使用超声厚切片成像的量化灌注研究
GB2474319A (en) * 2009-07-20 2011-04-13 Matakina Technology Ltd Analysing breast tissue image using reference spot and calibration error
CN102246207A (zh) * 2008-12-09 2011-11-16 皇家飞利浦电子股份有限公司 用于乳腺病灶表征的多分割结果的对照
US20140018681A1 (en) * 2012-07-10 2014-01-16 National Taiwan University Ultrasound imaging breast tumor detection and diagnostic system and method
CN104881858A (zh) * 2014-02-27 2015-09-02 上海联影医疗科技有限公司 一种乳房内增强背景组织的提取方法和装置
CN104968272A (zh) * 2013-01-30 2015-10-07 国立研究开发法人科学技术振兴机构 图像处理用数字滤波器、图像处理装置、印刷介质、记录介质、图像处理方法以及程序
CN105631867A (zh) * 2015-12-25 2016-06-01 中国科学院深圳先进技术研究院 一种全自动超声造影图像分割方法
CN105701351A (zh) * 2016-01-15 2016-06-22 上海市第十人民医院 基于人工神经网络模型超声造影特征自动识别系统及方法
CN106991445A (zh) * 2017-04-05 2017-07-28 重庆大学 一种基于深度学习的超声造影肿瘤自动识别与检测方法
CN107582097A (zh) * 2017-07-18 2018-01-16 中山大学附属第医院 一种基于多模态超声组学的智能辅助决策系统
US20180053297A1 (en) * 2016-08-18 2018-02-22 Ohio University Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images
CN107847218A (zh) * 2015-07-09 2018-03-27 奥林巴斯株式会社 超声波观测装置、超声波观测系统、超声波观测装置的工作方法以及超声波观测装置的工作程序
CN108090909A (zh) * 2017-12-15 2018-05-29 中国人民解放军陆军军医大学第附属医院 一种基于统计偏微分模型的超声造影图像分割方法
CN108665456A (zh) * 2018-05-15 2018-10-16 广州尚医网信息技术有限公司 基于人工智能的乳腺超声病灶区域实时标注的方法及系统
CN109308488A (zh) * 2018-08-30 2019-02-05 深圳大学 乳腺超声图像处理装置、方法、计算机设备及存储介质
US10244945B2 (en) * 2014-08-15 2019-04-02 Tiro Medical Limited System for reconstructing surface motion in an optical elastography system
CN109840564A (zh) * 2019-01-30 2019-06-04 成都思多科医疗科技有限公司 一种基于超声造影图像均匀程度的分类系统
CN110223287A (zh) * 2019-06-13 2019-09-10 首都医科大学北京友谊医院 一种可提高乳腺癌早期诊断率的方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1839391A (zh) * 2003-06-25 2006-09-27 美国西门子医疗解决公司 用于乳房成像的自动诊断和决策支持的系统和方法
CN101657160A (zh) * 2007-04-13 2010-02-24 皇家飞利浦电子股份有限公司 使用超声厚切片成像的量化灌注研究
CN102246207A (zh) * 2008-12-09 2011-11-16 皇家飞利浦电子股份有限公司 用于乳腺病灶表征的多分割结果的对照
GB2474319A (en) * 2009-07-20 2011-04-13 Matakina Technology Ltd Analysing breast tissue image using reference spot and calibration error
US20140018681A1 (en) * 2012-07-10 2014-01-16 National Taiwan University Ultrasound imaging breast tumor detection and diagnostic system and method
CN104968272A (zh) * 2013-01-30 2015-10-07 国立研究开发法人科学技术振兴机构 图像处理用数字滤波器、图像处理装置、印刷介质、记录介质、图像处理方法以及程序
CN104881858A (zh) * 2014-02-27 2015-09-02 上海联影医疗科技有限公司 一种乳房内增强背景组织的提取方法和装置
US10244945B2 (en) * 2014-08-15 2019-04-02 Tiro Medical Limited System for reconstructing surface motion in an optical elastography system
CN107847218A (zh) * 2015-07-09 2018-03-27 奥林巴斯株式会社 超声波观测装置、超声波观测系统、超声波观测装置的工作方法以及超声波观测装置的工作程序
CN105631867A (zh) * 2015-12-25 2016-06-01 中国科学院深圳先进技术研究院 一种全自动超声造影图像分割方法
CN105701351A (zh) * 2016-01-15 2016-06-22 上海市第十人民医院 基于人工神经网络模型超声造影特征自动识别系统及方法
US20180053297A1 (en) * 2016-08-18 2018-02-22 Ohio University Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images
CN106991445A (zh) * 2017-04-05 2017-07-28 重庆大学 一种基于深度学习的超声造影肿瘤自动识别与检测方法
CN107582097A (zh) * 2017-07-18 2018-01-16 中山大学附属第医院 一种基于多模态超声组学的智能辅助决策系统
CN108090909A (zh) * 2017-12-15 2018-05-29 中国人民解放军陆军军医大学第附属医院 一种基于统计偏微分模型的超声造影图像分割方法
CN108665456A (zh) * 2018-05-15 2018-10-16 广州尚医网信息技术有限公司 基于人工智能的乳腺超声病灶区域实时标注的方法及系统
CN109308488A (zh) * 2018-08-30 2019-02-05 深圳大学 乳腺超声图像处理装置、方法、计算机设备及存储介质
CN109840564A (zh) * 2019-01-30 2019-06-04 成都思多科医疗科技有限公司 一种基于超声造影图像均匀程度的分类系统
CN110223287A (zh) * 2019-06-13 2019-09-10 首都医科大学北京友谊医院 一种可提高乳腺癌早期诊断率的方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462059A (zh) * 2020-03-24 2020-07-28 湖南大学 胎儿超声图像智能目标检测的并行处理方法和装置
CN111462059B (zh) * 2020-03-24 2023-09-29 湖南大学 胎儿超声图像智能目标检测的并行处理方法和装置
CN114067990A (zh) * 2021-09-07 2022-02-18 武汉联影医疗科技有限公司 信息处理系统、方法、装置和医疗设备
WO2023036118A1 (zh) * 2021-09-07 2023-03-16 武汉联影医疗科技有限公司 信息处理系统和方法
CN114038568A (zh) * 2021-09-18 2022-02-11 武汉联影医疗科技有限公司 超声数据的追踪方法、计算机设备和存储介质

Also Published As

Publication number Publication date
CN110613486B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN110613486B (zh) 一种乳腺超声图像的检测方法及装置
CN107480644B (zh) 眼底图像中视盘的定位与分割方法、装置和存储介质
CN114926477B (zh) 一种基于深度学习的脑肿瘤多模态mri影像分割方法
CN111028206A (zh) 一种基于深度学习前列腺癌自动检测和分类系统
US11386553B2 (en) Medical image data
CN111369528B (zh) 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法
Agarwal et al. Automatic glaucoma detection using adaptive threshold based technique in fundus image
CN112132817A (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
KR20230059799A (ko) 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델
Bengani Automatic segmentation of optic disc in retinal fundus images using semi-supervised deep learning
KR20210012097A (ko) 딥러닝에 기반한 당뇨망막병증 검출 및 증증도 분류장치 및 그 방법
CN114549462A (zh) 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质
CN112464829A (zh) 一种瞳孔定位方法、设备、存储介质及视线追踪系统
Chen et al. Combination of enhanced depth imaging optical coherence tomography and fundus images for glaucoma screening
Balakrishnan NDC-IVM: An automatic segmentation of optic disc and cup region from medical images for glaucoma detection
Ali et al. Optic Disc Localization in Retinal Fundus Images Based on You Only Look Once Network (YOLO).
CN105225234A (zh) 基于支持向量机mri图像分割的肺部肿瘤识别方法
CN116269198B (zh) 基于卷积神经网络的眼球旋转角测量方法及装置
BERBAR Diabetic retinopathy detection and grading using deep learning
Verma et al. Machine learning classifiers for detection of glaucoma
CN110378333B (zh) 一种sd-oct图像黄斑中央凹中心定位方法
FR3110763A1 (fr) Méthode de détermination d’une région d’ablation basée sur l’apprentissage profond
CN112949712B (zh) 一种基于多模态的甲状腺结节自动识别模型构建方法
Elseid et al. Glaucoma detection using retinal nerve fiber layer texture features
CN112381767A (zh) 角膜反射图像的筛选方法、装置、智能终端及存储介质

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