CN110634118A - 基于人工智能的乳腺影像识别系统及方法 - Google Patents

基于人工智能的乳腺影像识别系统及方法 Download PDF

Info

Publication number
CN110634118A
CN110634118A CN201810550536.9A CN201810550536A CN110634118A CN 110634118 A CN110634118 A CN 110634118A CN 201810550536 A CN201810550536 A CN 201810550536A CN 110634118 A CN110634118 A CN 110634118A
Authority
CN
China
Prior art keywords
image
breast
layer
neural network
network model
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.)
Pending
Application number
CN201810550536.9A
Other languages
English (en)
Inventor
钱唯
李宏
李晨
滕月阳
张小光
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 Anyuan Life Technology Co Ltd
Original Assignee
Shenzhen Anyuan Life Technology 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 Shenzhen Anyuan Life Technology Co Ltd filed Critical Shenzhen Anyuan Life Technology Co Ltd
Priority to CN201810550536.9A priority Critical patent/CN110634118A/zh
Publication of CN110634118A publication Critical patent/CN110634118A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于人工智能的乳腺影像识别系统及方法，应用在信息处理设备中，该方法包括步骤：从影像数据库中获取乳房CT图像；采用聚类算法对所述乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集；将已知的乳房CT图像的数据集设置为训练集和验证集，将未知的乳房CT图像的数据集设置为测试集；建立卷积神经网络模型，采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；将测试集输入训练后的卷积神经网络模型中，得到CT图像乳房实质区域。实施本发明，实现了对未知患者的乳房CT图像进行乳房实质区域提取功能，有助于下一阶段的乳腺癌提取、分类。

Description

基于人工智能的乳腺影像识别系统及方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于人工智能的乳腺影像识别系统及方法。
背景技术
据世界卫生组织统计，全世界每年有120万妇女患乳腺癌，50万妇女死于乳腺癌，其发病率以每年2％～8％的速度递增。目前每年大约有1亿女性进行乳腺筛查。研究表明，如果能早期及时检查，癌症是可以治愈的，且治愈率高达92％以上。可见，乳腺肿瘤的早期检测对治愈病人有着至关重要的作用。基于超声显像的检测技术是医学中发展最为迅速、应用最为广泛的肿瘤疾病检测技术之一。在图像处理过程中，人们往往仅对图像中的某些部分感兴趣。这些部分常称为目标，他们一般对应图像中特定的具有独特性质的区域。为了辨别和分析目标，需要将这些区域分离提取出来，在此基础上进一步利用。图像分割就是将图像分成各具特色的区域并提取出感兴趣目标的技术和过程。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。针对乳房实质分割，现有技术不能准确提取乳房实质区域，导致通过人工智能进行自动匹配时，匹配结果不理想，容易导致误诊。
发明内容
本发明的主要目的在于提供一种基于人工智能的乳腺影像识别系统及方法，旨在解决现有技术不能准确提取乳房实质区域，导致通过人工智能进行自动匹配时，匹配结果不理想，容易导致误诊的问题。
为实现上述目的，本发明提供了一种基于人工智能的乳腺影像识别系统，运行于信息处理设备中，所述信息处理设备与影像数据服务器通信连接，所述影像数据服务器中存储有影像数据库，所述基于人工智能的乳腺影像识别系统包括多条计算机程序指令，所述信息处理设备包括适于实现计算机程序指令的微处理器以及适于存储计算机程序指令的存储器，所述计算机程序指令由微处理器加载并执行如下步骤：
从影像数据库中获取乳房CT图像，所述乳房CT图像包括已知的乳房CT图像和未知的乳房CT图像；
采用聚类算法对所述乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集；
将已知的乳房CT图像的数据集设置为训练集和验证集，将未知的乳房CT图像的数据集设置为测试集；
建立卷积神经网络模型，采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
将测试集输入训练后的卷积神经网络模型中，得到CT图像乳房实质区域；
从CT图像乳房实质区域提取乳房特征，所述乳房特征包括乳房的形状特征、图像纹理特征和形态学特征；
根据乳房特征从肿瘤数据库中匹配相似度大于预设值的肿瘤图像，输出该肿瘤图像。
进一步地，所述采用聚类算法对乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集的步骤包括：
将乳房CT图像进行标准化处理，对标准化后的乳房CT图像进行分割，分割为尺寸为A的图像小块；
采用Kmeans算法分别对尺寸为A的图像小块的CT值平均值和CT值最小值进行聚类，将其聚类为低密度组织和高密度组织两类；
将对图像小块的CT值平均值的聚类结果和图像小块的CT值最小值的聚类结果进行十字检验，去除CT图像的背景区域；
提取图像小块的CT值平均值的聚类结果中的乳房实质区域和图像小块的CT值最小值的聚类结果的乳房实质区域的交集；
对乳房实质区域的交集做最大连通体操作，得到CT图像的乳房实质区域和非乳房实质区域的数据集。
进一步地，所述采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型的步骤具体包括：
将训练集和验证集中的尺寸为A的图像小块进行扩展，将其扩展为尺寸为B的图像小块；
将扩展后的图像小块输入卷积神经网络模型，训练卷积神经网络模型的各层的权重和偏差；
将验证集输入卷积神经网络模型进行分类，通过运行时间损耗和验证集的分类准确率确定最优化的训练参数，得到训练后的卷积神经网络模型。
进一步地，所述卷积神经网络模型结构为：第一层为图像小块输入层，第二层为卷积层，第三层为最大值池化层，第四层为全连接层；所述卷积层包括卷积层ReLU层和Norm层；所述全连接层包括全连接层ReLU层、随机遗忘层、全连接层分类器和Softmax函数层。
进一步地，所述的训练参数包括：学习速率、卷积核尺寸、卷积核数目、Norm层标准化通道数目、全连接第一层输出数目、Dropout层遗忘率、池化层类型、Batch数目、Epochs数值。
另一方面，本发明还提供一种基于人工智能的乳腺影像识别方法，应用于信息处理设备中，所述信息处理设备与影像数据服务器通信连接，所述影像数据服务器中存储有影像数据库和肿瘤数据库，该方法包括步骤：
从影像数据库中获取乳房CT图像，所述乳房CT图像包括已知的乳房CT图像和未知的乳房CT图像；
采用聚类算法对所述乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集；
将已知的乳房CT图像的数据集设置为训练集和验证集，将未知的乳房CT图像的数据集设置为测试集；
建立卷积神经网络模型，采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
将测试集输入训练后的卷积神经网络模型中，得到CT图像乳房实质区域；
从CT图像乳房实质区域提取乳房特征，所述乳房特征包括乳房的形状特征、图像纹理特征和形态学特征；
根据乳房特征从肿瘤数据库中匹配相似度大于预设值的肿瘤图像，输出该肿瘤图像。
进一步地，所述采用聚类算法对乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集的步骤包括：
将乳房CT图像进行标准化处理，对标准化后的乳房CT图像进行分割，分割为尺寸为A的图像小块；
采用Kmeans算法分别对尺寸为A的图像小块的CT值平均值和CT值最小值进行聚类，将其聚类为低密度组织和高密度组织两类；
将对图像小块的CT值平均值的聚类结果和图像小块的CT值最小值的聚类结果进行十字检验，去除CT图像的背景区域；
提取图像小块的CT值平均值的聚类结果中的乳房实质区域和图像小块的CT值最小值的聚类结果的乳房实质区域的交集；
对乳房实质区域的交集做最大连通体操作，得到CT图像的乳房实质区域和非乳房实质区域的数据集。
进一步地，所述采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型的步骤具体包括：
将训练集和验证集中的尺寸为A的图像小块进行扩展，将其扩展为尺寸为B的图像小块；
将扩展后的图像小块输入卷积神经网络模型，训练卷积神经网络模型的各层的权重和偏差；
将验证集输入卷积神经网络模型进行分类，通过运行时间损耗和验证集的分类准确率确定最优化的训练参数，得到训练后的卷积神经网络模型。
进一步地，所述卷积神经网络模型结构为：第一层为图像小块输入层，第二层为卷积层，第三层为最大值池化层，第四层为全连接层；所述卷积层包括卷积层ReLU层和Norm层；所述全连接层包括全连接层ReLU层、随机遗忘层、全连接层分类器和Softmax函数层。
进一步地，所述的训练参数包括：学习速率、卷积核尺寸、卷积核数目、Norm层标准化通道数目、全连接第一层输出数目、Dropout层遗忘率、池化层类型、Batch数目、Epochs数值。
相较于现有技术，本发明所述基于人工智能的乳腺影像识别系统及方法采用上述技术方案，达到了如下技术效果：通过无监督学习算法，即聚类算法，对患者CT图像自动划分乳房实质区域与非乳房实质区域，达到自动生成训练卷积神经网络所需的训练集、验证集功能；通过有监督学习算法，即卷积神经网络，针对乳房实质区域分类，设计最佳的卷积神经网络模型，达到准确率高的乳房实质区域分类效果，从乳房实质区域中提取乳房特征，并根据乳房特征从肿瘤数据库中匹配相似度大于预设值的肿瘤图像，输出该肿瘤图像供医生参考，实现了对未知患者的乳房CT图像进行乳房实质区域以及乳房特征提取，为人工智能自动匹配做好了准备，减少了误诊率。
附图说明
图1是本发明基于人工智能的乳腺影像识别系统优选实施例的应用环境示意图；
图2是本发明基于人工智能的乳腺影像识别方法优选实施例的流程图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为更进一步阐述本发明为达成上述目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明的具体实施方式、结构、特征及其功效进行详细说明。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。
参照图1所示，图1是本发明基于人工智能的乳腺影像识别系统优选实施例的应用环境示意图。在本实施例中，所述基于人工智能的乳腺影像识别系统10安装并运行于信息处理设备1中，所述信息处理设备1与影像数据服务器2通信连接，所述影像数据服务器2中存储有影像数据库20和肿瘤数据库21，所述信息处理设备1包括但不限于适于实现计算机程序指令的微处理器11、适于存储计算机程序指令的存储器12以及与影像数据服务器2实现通讯功能的通讯单元13。存储器12和通讯单元13均通过数据总线与所述微处理器11电连接，并能通过微处理器11与所述基于人工智能的乳腺影像识别系统10进行信息交互。
所述微处理器11可以为中央处理器(CPU)、处理器、微控制器(MCU)、数据处理芯片、或者具有数据处理功能的信息处理单元，用于执行所述基于人工智能的乳腺影像识别系统10。
所述存储器12可以为一种只读存储单元ROM，电可擦写存储单元EEPROM或快闪存储单元FLASH等存储单元。
所述通讯单元13为一种无线通讯接口或者有线通讯接口，例如，支持GSM、GPRS、WCDMA、CDMA、TD-SCDMA、WiMAX、TD-LTE、FDD-LTE等通讯技术的通讯接口。
所述基于人工智能的乳腺影像识别系统10包括，但不仅限于，图像获取模块101、图像预处理模块102、数据集设置模块103、神经网络训练模块104、实质图像提取模块105、特征提取模块106以及结果匹配模块107。本发明所称的模块是指一种能够被所述信息处理设备1的微处理器11执行并且能够完成固定功能的一系列计算机程序指令段，其存储在所述信息处理设备1的存储器12中。以下结合图1具体说明每一个模块的具体功能。
本发明还提供了一种基于人工智能的乳腺影像识别方法，应用于信息处理设备1中。
参照图2所示，图2是本发明基于人工智能的乳腺影像识别方法优选实施例的流程图。在本实施例中，所述基于人工智能的乳腺影像识别方法的各种方法步骤通过计算机软件程序来实现，该计算机软件程序以计算机程序指令的形式存储于计算机可读存储介质在本实施例中(例如存储在信息处理设备1的存储器12中)，参考图1所示，所述基于人工智能的乳腺影像识别方法包括步骤：
步骤S21，从影像数据库中获取乳房CT图像；
具体地，图像获取模块101从影像数据库20中获取乳房CT图像，所述乳房CT图像包括已知的乳房CT图像和未知的乳房CT图像。
步骤S22，采用聚类算法对所述乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集；
具体地，图像预处理模块102采用聚类算法对所述乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集。该步骤具体包括如下步骤：
(1)将乳房CT图像进行标准化处理，对标准化后的乳房CT图像进行分割，分割为尺寸为A的图像小块。本实施例中，尺寸A的划分标准为：所划分的尺寸为A的图像小块中均包含有CT图像中的乳腺组织，且各CT图像的图像小块自动分割时间在50MS以内。经过仿真发现，随着小块尺寸缩小，时间消耗呈指数级增长，而每个小块之间特征的区别在加大，因此，本发明最后选择8*8作为图像小块A的最优尺寸。
(2)采用Kmeans算法分别对尺寸为A的图像小块的CT值平均值和CT值最小值进行聚类，将其聚类为低密度组织和高密度组织两类。在本实施例中，检验每个低密度组织的图像小块的四个径向是否都存在高密度组织的图像小块，若存在，则该低密度组织的图像小块为疑似乳房实质区域，否则该低密度组织的图像小块为背景区域。
(3)将对图像小块的CT值平均值的聚类结果和图像小块的CT值最小值的聚类结果进行十字检验，去除CT图像的背景区域。
(4)提取图像小块的CT值平均值的聚类结果中的乳房实质区域和图像小块的CT值最小值的聚类结果的乳房实质区域的交集。在本发明实施例中，采用Kmeans算法分别对尺寸为A的图像小块的CT值最小值进行聚类的结果的乳房实质区域大于采用Kmeans算法分别对尺寸为A的图像小块的CT值平均值进行聚类的结果的乳房实质区域，即CT值最小值聚类方法超出了真正乳房实质的边缘，而去除在人体下面的背景噪声方面，CT值最小值聚类方法效果好于CT值平均值聚类方法。因此本发明取二者的交集区域，即可以保留CT值平均值聚类方法精确的乳房实质区域，又可以通过CT值最小值聚类方法控制背景噪声。经过以上步骤后，仍有极少部分身体下方的背景噪声没有去除，从而采用连通体操作，可完全去除背景，得到更精确的乳房实质区域。
(5)对乳房实质区域的交集做最大连通体操作，得到CT图像的乳房实质区域和非乳房实质区域的数据集。
步骤S23，将已知的乳房CT图像的数据集设置为训练集和验证集，将未知的乳房CT图像的数据集设置为测试集；
具体地，数据集设置模块103将已知的乳房CT图像的数据集设置为训练集和验证集，将未知的乳房CT图像的数据集设置为测试集。在本发明实施例中，所述训练集和验证集中乳房实质的尺寸为A的图像小块与非乳房实质的尺寸为A的图像小块的数量各占50％。将已知的乳房部CT图像的数据集划分为训练集和验证集的比例设置为7∶1。
步骤S24，建立卷积神经网络模型，采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
具体地，神经网络训练模块104建立卷积神经网络模型，采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型。该步骤具体包括如下步骤：
(1)将训练集和验证集中的尺寸为A的图像小块进行扩展，将其扩展为尺寸为B的图像小块；以尺寸为A的图像小块为中心在原CT图像内的位置上扩展为尺寸为B的图像小块，可以避免卷积过程中因卷积核尺寸大而对尺寸过小的小块卷积效果不明显。本实施方式中，尺寸B为32*32。
(2)建立卷积神经网络模型，将扩展后的图像小块输入卷积神经网络模型，训练卷积神经网络模型的各层的权重和偏差。在本发明实施例中，所述卷积神经网络模型结构为：第一层为图像小块输入层，第二层为卷积层，第三层为最大值池化层，第四层为全连接层；所述卷积层包括卷积层ReLU层和Norm层；所述全连接层包括全连接层ReLU层、随机遗忘层、全连接层分类器和Softmax函数层。
(3)将验证集输入卷积神经网络模型进行分类，通过运行时间损耗和验证集的分类准确率确定最优化的训练参数，得到训练后的卷积神经网络模型。在本发明实施例中，所述的训练参数包括：学习速率、卷积核尺寸、卷积核数目、Norm层标准化通道数目、全连接第一层输出数目、Dropout层遗忘率、池化层类型、Batch数目、Epochs数值。
步骤S25，将测试集输入训练后的卷积神经网络模型中，得到CT图像乳房实质区域。
具体地，实质图像提取模块105将测试集输入训练后的卷积神经网络模型中，并对分割出的乳房实质区域进行三维建模，根据医生对待划分的乳房部CT图像进行乳房实质区域的金标准划定，然后根据测试集在神经网络中的分类结果，将金标准和分类结果的图像进行重叠，计算准确率(戴斯相似性系数)、灵敏度、特异性等。
步骤S26：从CT图像乳房实质区域提取乳房特征；
具体地，特征提取模块106从CT图像乳房实质区域提取乳房特征，所述乳房特征包括乳房的形状特征、图像纹理特征和形态学特征。
由于每种影像设备的成像原理不同，因此不同设备的影像表达了不同的含义。对于乳腺X线、MRI和超声图像来说，即使图像上某点具有相同的图像值，但其代表的意义也各不相同。在本发明实施例中，特征提取模块106通过判断乳房的圆形度或球形度来提取形状特征，通过方差、差分方差、异质性、对比度等方法提取乳房的图像纹理特征，通过判断乳房边缘梯度和边缘锐利度提取乳房的形态学特征。
步骤S27：根据乳房特征从肿瘤数据库中匹配相似度大于预设值的肿瘤图像，输出该肿瘤图像。
具体地，肿瘤数据库中存储了不同乳房特征的肿瘤图像以及该肿瘤图像对应的肿瘤图像。结果匹配模块107根据不同的乳房特征从肿瘤数据库中匹配相似度大于预设值的肿瘤图像，输出该肿瘤图像。该图像匹配过程为图像比对分析过程，可以采用尺度不变特征转换(Scale-invariant feature transform或SIFT)进行比对，该算法是一种用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。通过在肿瘤数据库中匹配乳房特征，输出对应的肿瘤图像供医生参考。
本发明实施例通过无监督学习算法，即聚类算法，对患者CT图像自动划分乳房实质区域与非乳房实质区域，达到自动生成训练卷积神经网络所需的训练集、验证集功能；通过有监督学习算法，即卷积神经网络，针对乳房实质区域分类，设计最佳的卷积神经网络模型，达到准确率高的乳房实质区域分类效果，从乳房实质区域中提取乳房特征，并根据乳房特征从肿瘤数据库中匹配相似度大于预设值的肿瘤图像，输出该肿瘤图像供医生参考，实现了对未知患者的乳房CT图像进行乳房实质区域以及乳房特征提取，为人工智能自动匹配做好了准备，减少了误诊率。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效功能变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于人工智能的乳腺影像识别系统，运行于信息处理设备中，其特征在于，所述信息处理设备与影像数据服务器通信连接，所述影像数据服务器中存储有影像数据库和肿瘤数据库，所述基于人工智能的乳腺影像识别系统包括多条计算机程序指令，所述信息处理设备包括适于实现计算机程序指令的微处理器以及适于存储计算机程序指令的存储器，所述计算机程序指令由微处理器加载并执行如下步骤：
从影像数据库中获取乳房CT图像，所述乳房CT图像包括已知的乳房CT图像和未知的乳房CT图像；
采用聚类算法对所述乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集；
将已知的乳房CT图像的数据集设置为训练集和验证集，将未知的乳房CT图像的数据集设置为测试集；
建立卷积神经网络模型，采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
将测试集输入训练后的卷积神经网络模型中，得到CT图像乳房实质区域；
从CT图像乳房实质区域提取乳房特征，所述乳房特征包括乳房的形状特征、图像纹理特征和形态学特征；
根据乳房特征从肿瘤数据库中匹配相似度大于预设值的肿瘤图像，输出该肿瘤图像。
2.如权利要求1所述的基于人工智能的乳腺影像识别系统，其特征在于，所述采用聚类算法对乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集的步骤包括：
将乳房CT图像进行标准化处理，对标准化后的乳房CT图像进行分割，分割为尺寸为A的图像小块；
采用Kmeans算法分别对尺寸为A的图像小块的CT值平均值和CT值最小值进行聚类，将其聚类为低密度组织和高密度组织两类；
将对图像小块的CT值平均值的聚类结果和图像小块的CT值最小值的聚类结果进行十字检验，去除CT图像的背景区域；
提取图像小块的CT值平均值的聚类结果中的乳房实质区域和图像小块的CT值最小值的聚类结果的乳房实质区域的交集；
对乳房实质区域的交集做最大连通体操作，得到CT图像的乳房实质区域和非乳房实质区域的数据集。
3.如权利要求1所述的基于人工智能的乳腺影像识别系统，其特征在于，所述采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型的步骤具体包括：
将训练集和验证集中的尺寸为A的图像小块进行扩展，将其扩展为尺寸为B的图像小块；
将扩展后的图像小块输入卷积神经网络模型，训练卷积神经网络模型的各层的权重和偏差；
将验证集输入卷积神经网络模型进行分类，通过运行时间损耗和验证集的分类准确率确定最优化的训练参数，得到训练后的卷积神经网络模型。
4.如权利要求3所述的基于人工智能的乳腺影像识别系统，其特征在于，所述卷积神经网络模型结构为：第一层为图像小块输入层，第二层为卷积层，第三层为最大值池化层，第四层为全连接层；所述卷积层包括卷积层ReLU层和Norm层；所述全连接层包括全连接层ReLU层、随机遗忘层、全连接层分类器和Softmax函数层。
5.如权利要求3所述的基于人工智能的乳腺影像识别系统，其特征在于，所述的训练参数包括：学习速率、卷积核尺寸、卷积核数目、Norm层标准化通道数目、全连接第一层输出数目、Dropout层遗忘率、池化层类型、Batch数目、Epochs数值。
6.一种基于人工智能的乳腺影像识别方法，应用于信息处理设备中，其特征在于，所述信息处理设备与影像数据服务器通信连接，所述影像数据服务器中存储有影像数据库和肿瘤数据库，该方法包括步骤：
从影像数据库中获取乳房CT图像，所述乳房CT图像包括已知的乳房CT图像和未知的乳房CT图像；
采用聚类算法对所述乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集；
将已知的乳房CT图像的数据集设置为训练集和验证集，将未知的乳房CT图像的数据集设置为测试集；
建立卷积神经网络模型，采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
将测试集输入训练后的卷积神经网络模型中，得到CT图像乳房实质区域；
从CT图像乳房实质区域提取乳房特征，所述乳房特征包括乳房的形状特征、图像纹理特征和形态学特征；
根据乳房特征从肿瘤数据库中匹配相似度大于预设值的肿瘤图像，输出该肿瘤图像。
7.如权利要求6所述的基于人工智能的乳腺影像识别方法，其特征在于，所述采用聚类算法对乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集的步骤包括：
将乳房CT图像进行标准化处理，对标准化后的乳房CT图像进行分割，分割为尺寸为A的图像小块；
采用Kmeans算法分别对尺寸为A的图像小块的CT值平均值和CT值最小值进行聚类，将其聚类为低密度组织和高密度组织两类；
将对图像小块的CT值平均值的聚类结果和图像小块的CT值最小值的聚类结果进行十字检验，去除CT图像的背景区域；
提取图像小块的CT值平均值的聚类结果中的乳房实质区域和图像小块的CT值最小值的聚类结果的乳房实质区域的交集；
对乳房实质区域的交集做最大连通体操作，得到CT图像的乳房实质区域和非乳房实质区域的数据集。
8.如权利要求6所述的基于人工智能的乳腺影像识别方法，其特征在于，所述采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型的步骤具体包括：
将训练集和验证集中的尺寸为A的图像小块进行扩展，将其扩展为尺寸为B的图像小块；
将扩展后的图像小块输入卷积神经网络模型，训练卷积神经网络模型的各层的权重和偏差；
将验证集输入卷积神经网络模型进行分类，通过运行时间损耗和验证集的分类准确率确定最优化的训练参数，得到训练后的卷积神经网络模型。
9.如权利要求8所述的基于人工智能的乳腺影像识别方法，其特征在于，所述卷积神经网络模型结构为：第一层为图像小块输入层，第二层为卷积层，第三层为最大值池化层，第四层为全连接层；所述卷积层包括卷积层ReLU层和Norm层；所述全连接层包括全连接层ReLU层、随机遗忘层、全连接层分类器和Softmax函数层。
10.如权利要求8所述的基于人工智能的乳腺影像识别方法，其特征在于，所述的训练参数包括：学习速率、卷积核尺寸、卷积核数目、Norm层标准化通道数目、全连接第一层输出数目、Dropout层遗忘率、池化层类型、Batch数目、Epochs数值。
CN201810550536.9A 2018-05-31 2018-05-31 基于人工智能的乳腺影像识别系统及方法 Pending CN110634118A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810550536.9A CN110634118A (zh) 2018-05-31 2018-05-31 基于人工智能的乳腺影像识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810550536.9A CN110634118A (zh) 2018-05-31 2018-05-31 基于人工智能的乳腺影像识别系统及方法

Publications (1)

Publication Number Publication Date
CN110634118A true CN110634118A (zh) 2019-12-31

Family

ID=68966183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810550536.9A Pending CN110634118A (zh) 2018-05-31 2018-05-31 基于人工智能的乳腺影像识别系统及方法

Country Status (1)

Country Link
CN (1) CN110634118A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079863A (zh) * 2019-12-31 2020-04-28 重庆青信科技有限公司 利用能谱曲线统计指纹识别病灶组织的系统
CN111368708A (zh) * 2020-03-02 2020-07-03 中南大学湘雅医院 一种基于人工智能的烧烫伤图像快速分级识别方法及系统
CN112767420A (zh) * 2021-02-26 2021-05-07 中国人民解放军总医院 基于人工智能的核磁影像分割方法、装置、设备和介质
CN113409280A (zh) * 2021-06-24 2021-09-17 青岛海信医疗设备股份有限公司 医学影像的处理方法、标注方法和电子设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079863A (zh) * 2019-12-31 2020-04-28 重庆青信科技有限公司 利用能谱曲线统计指纹识别病灶组织的系统
CN111368708A (zh) * 2020-03-02 2020-07-03 中南大学湘雅医院 一种基于人工智能的烧烫伤图像快速分级识别方法及系统
CN112767420A (zh) * 2021-02-26 2021-05-07 中国人民解放军总医院 基于人工智能的核磁影像分割方法、装置、设备和介质
CN112767420B (zh) * 2021-02-26 2021-11-23 中国人民解放军总医院 基于人工智能的核磁影像分割方法、装置、设备和介质
CN113409280A (zh) * 2021-06-24 2021-09-17 青岛海信医疗设备股份有限公司 医学影像的处理方法、标注方法和电子设备
CN113409280B (zh) * 2021-06-24 2022-08-02 青岛海信医疗设备股份有限公司 医学影像的处理方法、标注方法和电子设备

Similar Documents

Publication Publication Date Title
CN112270660B (zh) 基于深度神经网络的鼻咽癌放疗靶区自动分割方法
Tzikopoulos et al. A fully automated scheme for mammographic segmentation and classification based on breast density and asymmetry
CN103714536B (zh) 基于稀疏表示的多模态磁共振图像的分割方法及装置
CN109635846B (zh) 一种多类医学图像判断方法和系统
Chekkoury et al. Automated malignancy detection in breast histopathological images
CN107507197B (zh) 一种基于聚类算法和卷积神经网络的肺实质提取方法
CN110634118A (zh) 基于人工智能的乳腺影像识别系统及方法
WO2015069824A2 (en) Diagnostic system and method for biological tissue analysis
CN108537751B (zh) 一种基于径向基神经网络的甲状腺超声图像自动分割方法
Pan et al. Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks
Rampun et al. Breast density classification using local ternary patterns in mammograms
CN114170473A (zh) 基于病理图像的dMMR亚型分类方法及系统
Akbar et al. Tumor localization in tissue microarrays using rotation invariant superpixel pyramids
de Brito Silva et al. Classification of breast masses in mammograms using geometric and topological feature maps and shape distribution
Thapa et al. Deep learning for breast cancer classification: Enhanced tangent function
Ahmad et al. Brain tumor detection & features extraction from MR images using segmentation, image optimization & classification techniques
Singh et al. Detection of Brain Tumors Through the Application of Deep Learning and Machine Learning Models
Raynaud et al. Multi-organ detection in 3D fetal ultrasound with machine learning
Vijayadeep et al. A hybrid feature extraction based optimized random forest learning model for brain stroke prediction
Balanica et al. Breast cancer diagnosis based on spiculation feature and neural network techniques
Amanullah et al. Convolutional neural network-based MRI brain tumor classification system
CN110555849A (zh) 基于卷积神经网络的乳房实质图像提取系统及方法
Kashyap et al. Breast tissue density classification in mammograms based on supervised machine learning technique
Ponraj et al. Deep learning with histogram of oriented gradients-based computer-aided diagnosis for breast cancer detection and classification
Setty et al. Survey on Features and Techniques used for Bone Fracture Detection and Classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191231