CN110689960A - 一种乳腺癌的智能判别方法、装置、设备及存储介质 - Google Patents
一种乳腺癌的智能判别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110689960A CN110689960A CN201910905726.2A CN201910905726A CN110689960A CN 110689960 A CN110689960 A CN 110689960A CN 201910905726 A CN201910905726 A CN 201910905726A CN 110689960 A CN110689960 A CN 110689960A
- Authority
- CN
- China
- Prior art keywords
- image
- breast cancer
- intelligent
- classification
- image data
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种乳腺癌的智能判别方法,通过获取患者经过磁共振设备扫描的扫描影像数据,对所述扫描影像数据进行归一化处理,得到高维影像数据,将所述高维影像数据输入至预设的智能分类模型,生成智能分类结果,根据金标准和医生的分析结果,对所述智能分类结果进行判别,生判别结果,采用本发明提供的实施例,能够利用相关领域的训练数据跨域迁移来改善和提高乳腺癌磁共振影像分类方法,使得乳腺肿瘤特征信息最大化,从而提高了判别乳腺癌的准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种乳腺癌的智能判别方法、装置、设备及存储介质。
背景技术
不同种类的乳腺癌样本数量普遍较少,而CADs依靠大量数据深度学习训练来逐步提高准确率。智能乳腺癌病灶诊断强调以大量标注的肿瘤影像为前提,结合现有公共肿瘤影像数据库中一些有标识的训练集,针对一维时间信号,高维空间信号,以及空间域影像形态做充分的分析、处理、聚类,从而给出最优诊断结果。
传统的分类算法很难利用少量带标注的训练样本学习到高性能的分类模型,从1995年开始,迁移学习引起了国内外大量的科研工作者的注意,越来越多的研究人员投身到迁移学习的研究行列。
在医学影像大数据分析的领域中,带标签的数据样本匮乏,而标注大量的样本数据则需花费巨大的人力和物力。
发明内容
本发明实施例的目的是提供一种乳腺癌的智能判别方法,能够利用相关领域的训练数据跨域迁移来改善和提高乳腺癌磁共振影像分类方法,使得乳腺肿瘤特征信息最大化,从而提高了判别乳腺癌的准确率。
为实现上述目的,本发明实施例提供了一种乳腺癌的智能判别方法,包括以下步骤:
获取患者经过磁共振设备扫描的扫描影像数据;
对所述扫描影像数据进行归一化处理,得到高维影像数据;
将所述高维影像数据输入至预设的智能分类模型,生成智能分类结果;
根据金标准和医生的分析结果,对所述智能分类结果进行判别,生判别结果。
进一步的,所述预设的智能分类模型通过以下步骤构建:
通过乳腺癌数据集训练一个对乳腺癌进行分类的分类模型,获取所述分类模块的分类权重;所述乳腺癌数据集包括InBreast、TCIA以及DDSM;
以MRI影像数据集的数据作为模型的输入,以对所述MRI影像数据集的数据进行智能分类处理的结果作为输出,以所述分类权重作为模型的参数,构建预设的智能分类模型。
进一步的,所述对所述MRI影像数据集的数据进行智能分类处理,具体为:
从影像数据库中获取肿瘤影像图像并进行归一化处理;
通过多通道图像重现技术对进行归一化处理后的肿瘤影像图像进行检测,提取肿瘤图像;
通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;
通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;
采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。
进一步的,所述乳腺癌的智能判别方法,还包括:
根据智能分类的结果的准确性,将准确性高的结果添加标注,重新输入至所述预设的智能分类模型进行训练。
本发明实施例还提供了一种乳腺癌的智能判别装置,包括:数据获取模块、归一化处理模块、分类模块以及判别模块;
所述数据获取模块,用于获取患者经过磁共振设备扫描的扫描影像数据;
所述归一化处理模块,用于对所述扫描影像数据进行归一化处理,得到高维影像数据;
所述分类模块,用于将所述高维影像数据输入至预设的智能分类模型,生成智能分类结果;
所述判别模块,用于根据金标准和医生的分析结果,对所述智能分类结果进行判别,生判别结果。
进一步的,所述预设的智能分类模型通过以下步骤构建:
通过乳腺癌数据集训练一个对乳腺癌进行分类的分类模型,获取所述分类模块的分类权重;所述乳腺癌数据集包括InBreast、TCIA以及DDSM;
以MRI影像数据集的数据作为模型的输入,以对所述MRI影像数据集的数据进行智能分类处理的结果作为输出,以所述分类权重作为模型的参数,构建预设的智能分类模型。
进一步的,所述对所述MRI影像数据集的数据进行智能分类处理,具体为:
从影像数据库中获取肿瘤影像图像并进行归一化处理;
通过多通道图像重现技术对进行归一化处理后的肿瘤影像图像进行检测,提取肿瘤图像;
通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;
通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;
采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。
进一步的,所述乳腺癌的智能判别装置,还包括:优化模块;
所述优化模块,用于根据智能分类的结果的准确性,将准确性高的结果添加标注,重新输入至所述预设的智能分类模型进行训练。
作为本发明的优选实施例,本发明还提供了一种乳腺癌的智能判别设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的乳腺癌的智能判别方法。
本发明另一实施例提供了一种存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的乳腺癌的智能判别方法。
实施本发明实施例,具有如下有益效果:
与现有技术相比,本发明实施例提供的乳腺癌的智能判别方法,通过获取患者经过磁共振设备扫描的扫描影像数据,对所述扫描影像数据进行归一化处理,得到高维影像数据,将所述高维影像数据输入至预设的智能分类模型,生成智能分类结果,根据金标准和医生的分析结果,对所述智能分类结果进行判别,生判别结果,采用本发明提供的实施例,能够利用相关领域的训练数据跨域迁移来改善和提高乳腺癌磁共振影像分类方法,使得乳腺肿瘤特征信息最大化,从而提高了判别乳腺癌的准确率。
附图说明
图1是本发明提供的乳腺癌的智能判别方法的一个实施例的流程示意图;
图2是本发明提供的乳腺癌的智能判别装置的一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1是本发明提供的乳腺癌的智能判别方法的一个实施例的流程示意图;本发明实施例提供一种乳腺癌的智能判别方法,包括步骤S1至S3;
S1,获取患者经过磁共振设备扫描的扫描影像数据。
在本实施例中,采用西门子3.0T Magnetom Verio的MRI机器对患者进行扫描,集中在乳腺DCE-MRI的影像序列分析,动态增强共采集5期图像,每个时相约77s,T2WI序列和EPI-DWI影像序列用于影像预分析,剔除脂肪组织,降低运算复杂性,有效提高运算速度以及癌变组织检测的敏感性和准确性。
S2,对所述扫描影像数据进行归一化处理,得到高维影像数据。
为了不依赖于某一品牌或型号的磁共振机器,将MRI信号强度归一化到一个标准化的分布,同时保留图像各自的对比度。归一化将采用空间插值,图像重采样和偏置场校正的技术。这将有效的解决影像强度分布会随MRI扫描设备的内在设置以及预处理参数而异这一问题。
S3,将所述高维影像数据输入至预设的智能分类模型,生成智能分类结果。
在本发明实施例中,所述预设的智能分类模型通过以下步骤构建:通过乳腺癌数据集训练一个对乳腺癌进行分类的分类模型,获取所述分类模块的分类权重;所述乳腺癌数据集包括InBreast、TCIA以及DDSM;以MRI影像数据集的数据作为模型的输入,以对所述MRI影像数据集的数据进行智能分类处理的结果作为输出,以所述分类权重作为模型的参数,构建预设的智能分类模型。
在本发明实施例中,使用三个乳腺癌症数据集(InBreast,TCIA和DDSM)预训练一个DNN/CNN,然后使用这一训练的DNN/CNN的权重作为初始设置或作为乳腺癌症固定的特征提取器,迁移到MRI影像数据集,微调模型参数进行分类。
手工标注数据将会耗费大量人力物力,针对深度学习对于大量手工标注数据的需求,考虑到当前许多癌症数据库作为源数据库,与乳腺磁共振影像数据集有许多相似或关联的特征,并且标注的数据尺寸远大于目标数据集,所以本发明采纳了相关知识跨领域迁移学习的技术,使得乳腺肿瘤特征信息最大化,从而提高了判别乳腺癌的准确率。
需要说明的是,所述对所述MRI影像数据集的数据进行智能分类处理,具体为:从影像数据库中获取肿瘤影像图像并进行归一化处理;通过多通道图像重现技术对进行归一化处理后的肿瘤影像图像进行检测,提取肿瘤图像;通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。
为了进一步计算相邻超体素单元之间的联系,降低计算复杂性,使用密度聚类算法,例如DBSCAN,来分析样本分布的紧密程度。显然,同一类别的样本,他们之间联系是紧密的。然后采用监督学习的机制,例如CNN、DNN等深度学习的算法,对于预分割的图像做疾病预测,使用K/N投票表决机制,得到最终更为优化的超像(体)素分类结果,对应于不同种类的癌症病灶。
在本实施例中,所述通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像,具体包括:通过SLIC算法对所述肿瘤图像中的空间-时间影像进行分割,得到第一预分割图像;通过LCCP算法对所述肿瘤图像中的单纯空间影像进行过度分割,得到第二预分割图像。
所述密度聚类算法包括DBSCAN算法;所述监督学习机制包括CNN深度学习算法或DNN深度学习算法。
对于预分割的图像做疾病预测,主要根据分类表现,通过分类准确程度来确定对应的各个节点的重要性,最终采用K/N投票表决机制增强算法对不同种类乳腺癌症的自适应性,可提高对乳腺癌的判别准确率。
作为本发明的优选实施例,对于所述预设的智能分类模型,还可根据智能分类的结果的准确性,将准确性高的结果添加标注,重新输入至所述预设的智能分类模型进行训练。
S4,根据金标准和医生的分析结果,对所述智能分类结果进行判别,生判别结果。
作为本发明的优选实施例,在得到判别结果后,还可通过采取乳腺诊断结果与金标准,及医生标注的影像做分析比较,评价诊断结果的准确性、敏感性、具体性,以实际诊断结果为依据,对预聚类方法、参数、相关的策略有效性进行评估,并依据评估结果对聚类方法及策略、相关参数选取进行反馈修正,进一步的提高了对乳腺癌的判别准确率。
本发明实施例提供的乳腺癌的智能判别方法,通过获取患者经过磁共振设备扫描的扫描影像数据,对所述扫描影像数据进行归一化处理,得到高维影像数据,将所述高维影像数据输入至预设的智能分类模型,生成智能分类结果,根据金标准和医生的分析结果,对所述智能分类结果进行判别,生判别结果,采用本发明提供的实施例,能够利用相关领域的训练数据跨域迁移来改善和提高乳腺癌磁共振影像分类方法,使得乳腺肿瘤特征信息最大化,从而提高了判别乳腺癌的准确率。
本发明实施例还提供了一种乳腺癌的智能判别装置,包括:数据获取模块、归一化处理模块、分类模块以及判别模块;
所述数据获取模块,用于获取患者经过磁共振设备扫描的扫描影像数据;所述归一化处理模块,用于对所述扫描影像数据进行归一化处理,得到高维影像数据;所述分类模块,用于将所述高维影像数据输入至预设的智能分类模型,生成智能分类结果;所述判别模块,用于根据金标准和医生的分析结果,对所述智能分类结果进行判别,生判别结果。
优选的,所述预设的智能分类模型通过以下步骤构建:通过乳腺癌数据集训练一个对乳腺癌进行分类的分类模型,获取所述分类模块的分类权重;所述乳腺癌数据集包括InBreast、TCIA以及DDSM;以MRI影像数据集的数据作为模型的输入,以对所述MRI影像数据集的数据进行智能分类处理的结果作为输出,以所述分类权重作为模型的参数,构建预设的智能分类模型。
在本实施例中,所述对所述MRI影像数据集的数据进行智能分类处理,具体为:从影像数据库中获取肿瘤影像图像并进行归一化处理;通过多通道图像重现技术对进行归一化处理后的肿瘤影像图像进行检测,提取肿瘤图像;通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。
作为本发明的优选实施例,所述的乳腺癌的智能判别装置,还包括:优化模块;
所述优化模块,用于根据智能分类的结果的准确性,将准确性高的结果添加标注,重新输入至所述预设的智能分类模型进行训练。
本发明实施例提供的乳腺癌的智能判别装置,通过数据获取模块获取患者经过磁共振设备扫描的扫描影像数据,通过归一化处理模块对扫描影像数据进行归一化处理,得到高维影像数据,通过分类模块将高维影像数据输入至预设的智能分类模型,生成智能分类结果,通过判别模块根据金标准和医生的分析结果,对智能分类结果进行判别,生判别结果,采用本发明提供的实施例,能够利用相关领域的训练数据跨域迁移来改善和提高乳腺癌磁共振影像分类方法,使得乳腺肿瘤特征信息最大化,从而提高了判别乳腺癌的准确率。
本发明实施例还提供了一种乳腺癌的智能判别设备。该设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个乳腺癌的智能判别方法实施例中的步骤,例如图1所示的步骤S1至S4。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述乳腺癌的智能判别设备的控制中心,利用各种接口和线路连接整个乳腺癌的智能判别设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述乳腺癌的智能判别设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述乳腺癌的智能判别设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种乳腺癌的智能判别方法,其特征在于,包括以下步骤:
获取患者经过磁共振设备扫描的扫描影像数据;
对所述扫描影像数据进行归一化处理,得到高维影像数据;
将所述高维影像数据输入至预设的智能分类模型,生成智能分类结果;
根据金标准和医生的分析结果,对所述智能分类结果进行判别,生判别结果。
2.如权利要求1所述的乳腺癌的智能判别方法,其特征在于,所述预设的智能分类模型通过以下步骤构建:
通过乳腺癌数据集训练一个对乳腺癌进行分类的分类模型,获取所述分类模块的分类权重;所述乳腺癌数据集包括InBreast、TCIA以及DDSM;
以MRI影像数据集的数据作为模型的输入,以对所述MRI影像数据集的数据进行智能分类处理的结果作为输出,以所述分类权重作为模型的参数,构建预设的智能分类模型。
3.如权利要求2所述的乳腺癌的智能判别方法,其特征在于,所述对所述MRI影像数据集的数据进行智能分类处理,具体为:
从影像数据库中获取肿瘤影像图像并进行归一化处理;
通过多通道图像重现技术对进行归一化处理后的肿瘤影像图像进行检测,提取肿瘤图像;
通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;
通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;
采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。
4.如权利要求3所述的乳腺癌的智能判别方法,其特征在于,还包括:
根据智能分类的结果的准确性,将准确性高的结果添加标注,重新输入至所述预设的智能分类模型进行训练。
5.一种乳腺癌的智能判别装置,其特征在于,包括:数据获取模块、归一化处理模块、分类模块以及判别模块;
所述数据获取模块,用于获取患者经过磁共振设备扫描的扫描影像数据;
所述归一化处理模块,用于对所述扫描影像数据进行归一化处理,得到高维影像数据;
所述分类模块,用于将所述高维影像数据输入至预设的智能分类模型,生成智能分类结果;
所述判别模块,用于根据金标准和医生的分析结果,对所述智能分类结果进行判别,生判别结果。
6.如权利要求5所述的乳腺癌的智能判别装置,其特征在于,所述预设的智能分类模型通过以下步骤构建:
通过乳腺癌数据集训练一个对乳腺癌进行分类的分类模型,获取所述分类模块的分类权重;所述乳腺癌数据集包括InBreast、TCIA以及DDSM;
以MRI影像数据集的数据作为模型的输入,以对所述MRI影像数据集的数据进行智能分类处理的结果作为输出,以所述分类权重作为模型的参数,构建预设的智能分类模型。
7.如权利要求6所述的乳腺癌的智能判别装置,其特征在于,所述对所述MRI影像数据集的数据进行智能分类处理,具体为:
从影像数据库中获取肿瘤影像图像并进行归一化处理;
通过多通道图像重现技术对进行归一化处理后的肿瘤影像图像进行检测,提取肿瘤图像;
通过超体素图像分割算法,对所述肿瘤图像进行图形分割检测,得到预分割图像;
通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析,得到其紧密程度;
采用监督学习机制,对所述预分割图像做疾病预测,使用K/N投票表决机制,得到最终优化的超像素分类结果。
8.如权利要求7所述的乳腺癌的智能判别装置,其特征在于,还包括:优化模块;
所述优化模块,用于根据智能分类的结果的准确性,将准确性高的结果添加标注,重新输入至所述预设的智能分类模型进行训练。
9.一种乳腺癌的智能判别设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1至4任一项所述的乳腺癌的智能判别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至4任一项所述的乳腺癌的智能判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905726.2A CN110689960B (zh) | 2019-09-24 | 2019-09-24 | 一种乳腺癌的智能判别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905726.2A CN110689960B (zh) | 2019-09-24 | 2019-09-24 | 一种乳腺癌的智能判别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689960A true CN110689960A (zh) | 2020-01-14 |
CN110689960B CN110689960B (zh) | 2022-08-09 |
Family
ID=69110451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910905726.2A Active CN110689960B (zh) | 2019-09-24 | 2019-09-24 | 一种乳腺癌的智能判别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689960B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951710A (zh) * | 2017-03-22 | 2017-07-14 | 华东师范大学 | 基于特权信息学习支持向量机的cap数据系统及方法 |
CN107516314A (zh) * | 2017-08-25 | 2017-12-26 | 山东大学 | 医学图像超体素分割方法和装置 |
CN107516103A (zh) * | 2016-06-17 | 2017-12-26 | 北京市商汤科技开发有限公司 | 一种影像分类方法和系统 |
CN107563434A (zh) * | 2017-08-30 | 2018-01-09 | 山东大学 | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 |
CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
CN109409384A (zh) * | 2018-09-30 | 2019-03-01 | 内蒙古科技大学 | 基于细粒度图像的图像识别方法、装置、介质及设备 |
CN109472263A (zh) * | 2018-10-12 | 2019-03-15 | 东南大学 | 一种结合全局和局部信息的大脑磁共振图像分割方法 |
CN109637629A (zh) * | 2018-10-31 | 2019-04-16 | 泰格麦迪(北京)医疗科技有限公司 | 一种bi-rads分级模型建立方法 |
CN109919162A (zh) * | 2019-01-25 | 2019-06-21 | 武汉纺织大学 | 用于输出mr图像特征点描述向量符的模型及其建立方法 |
CN110136108A (zh) * | 2019-05-08 | 2019-08-16 | 郑州大学 | 一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法 |
-
2019
- 2019-09-24 CN CN201910905726.2A patent/CN110689960B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516103A (zh) * | 2016-06-17 | 2017-12-26 | 北京市商汤科技开发有限公司 | 一种影像分类方法和系统 |
CN106951710A (zh) * | 2017-03-22 | 2017-07-14 | 华东师范大学 | 基于特权信息学习支持向量机的cap数据系统及方法 |
CN107516314A (zh) * | 2017-08-25 | 2017-12-26 | 山东大学 | 医学图像超体素分割方法和装置 |
CN107563434A (zh) * | 2017-08-30 | 2018-01-09 | 山东大学 | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 |
CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
CN109409384A (zh) * | 2018-09-30 | 2019-03-01 | 内蒙古科技大学 | 基于细粒度图像的图像识别方法、装置、介质及设备 |
CN109472263A (zh) * | 2018-10-12 | 2019-03-15 | 东南大学 | 一种结合全局和局部信息的大脑磁共振图像分割方法 |
CN109637629A (zh) * | 2018-10-31 | 2019-04-16 | 泰格麦迪(北京)医疗科技有限公司 | 一种bi-rads分级模型建立方法 |
CN109919162A (zh) * | 2019-01-25 | 2019-06-21 | 武汉纺织大学 | 用于输出mr图像特征点描述向量符的模型及其建立方法 |
CN110136108A (zh) * | 2019-05-08 | 2019-08-16 | 郑州大学 | 一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法 |
Non-Patent Citations (2)
Title |
---|
褚晶辉等: "基于迁移学习和深度卷积神经网络的乳腺肿瘤诊断系统", 《激光与光电子学进展》 * |
郑群花等: "基于卷积神经网络和迁移学习的乳腺癌病理图像分类", 《计算机应用与软件》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110689960B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zamani et al. | [Retracted] Performance of Machine Learning and Image Processing in Plant Leaf Disease Detection | |
CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
Cheng et al. | Efficient salient region detection with soft image abstraction | |
JP2023501126A (ja) | 組織画像分類用のマルチインスタンス学習器 | |
Klibisz et al. | Fast, simple calcium imaging segmentation with fully convolutional networks | |
CN113454733A (zh) | 用于预后组织模式识别的多实例学习器 | |
CN109952614A (zh) | 生物粒子的分类系统和方法 | |
CN111461165A (zh) | 图像识别方法、识别模型的训练方法及相关装置、设备 | |
Ansari et al. | [Retracted] Improved Support Vector Machine and Image Processing Enabled Methodology for Detection and Classification of Grape Leaf Disease | |
CN111931751B (zh) | 深度学习训练方法、目标物识别方法、系统和存储介质 | |
CN112182269B (zh) | 图像分类模型的训练、图像分类方法、装置、设备及介质 | |
Ansari et al. | Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network | |
CN108921172A (zh) | 基于支持向量机的图像处理装置及方法 | |
CN113627391B (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
Arif et al. | Application of Genetic Algorithm and U‐Net in Brain Tumor Segmentation and Classification: A Deep Learning Approach | |
CN111310531A (zh) | 图像分类方法、装置、计算机设备及存储介质 | |
CN117392659A (zh) | 一种基于无参数注意力机制优化的车辆车牌定位方法 | |
WO2021164320A1 (zh) | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 | |
CN110689960B (zh) | 一种乳腺癌的智能判别方法、装置、设备及存储介质 | |
CN116705059A (zh) | 一种音频半监督自动聚类方法、装置、设备及介质 | |
CN111199228A (zh) | 一种车牌定位的方法及装置 | |
Fuad et al. | A review on methods of identifying and counting aedes aegypti larvae using image segmentation technique | |
Mathew et al. | Integration of nondecimated quaternion wavelet transform and neighborhood texture patterns for disease classification in banana (Musa spp.) foliage | |
CN109872307A (zh) | 一种检测生物组织图像中肿块的方法、相应设备及介质 | |
CN115409810A (zh) | 一种遥感影像的样本选择方法、装置及系统 |
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 |