CN111000589B - 一种三维超声辅助birads辅助诊断系统 - Google Patents
一种三维超声辅助birads辅助诊断系统 Download PDFInfo
- Publication number
- CN111000589B CN111000589B CN201811166446.6A CN201811166446A CN111000589B CN 111000589 B CN111000589 B CN 111000589B CN 201811166446 A CN201811166446 A CN 201811166446A CN 111000589 B CN111000589 B CN 111000589B
- Authority
- CN
- China
- Prior art keywords
- birads
- assisted
- tumor
- image
- computer
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 50
- 210000000481 breast Anatomy 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000003902 lesion Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000003211 malignant effect Effects 0.000 claims description 10
- 238000002604 ultrasonography Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 210000005075 mammary gland Anatomy 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001574 biopsy Methods 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 2
- 201000007741 female breast cancer Diseases 0.000 description 2
- 201000002276 female breast carcinoma Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5292—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves using additional data, e.g. patient information, image labeling, acquisition parameters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种三维超声辅助BIRADS辅助诊断系统，其具体工作流程如下：自动检测，利用已经存在的计算机自动检测系统来获得同一个乳房不同位置图像的所有可能的肿瘤；诊断，读片工作站展示同一个乳房的不同位置图像，使用者在读片过程中，发现了可疑肿瘤，点击该肿瘤，使用计算机分级系统给出该肿瘤BIRADS分级；自动配对；图像数据搜索。本发明的辅助系统在使用时，当医生点击某一个三维图像的肿瘤时候，该系统能反馈给医生这个肿瘤的BIRADS分级，同时该系统会自动显示同一乳房上的其他位置的对应的同一个肿瘤的BIRADS分级；且该系统会自动从数据库中搜寻类似病例，帮助医生给出最终的BIRADS级别。
Description
技术领域
本发明涉及一种诊断系统，具体是一种三维超声辅助BIRADS辅助诊断系统。
背景技术
目前女性乳腺癌发病率死亡率急剧上升，及时早期诊断可以提高存活率，因此女性的乳腺癌早期诊断和定期体检的意识都在提升。超声图像不受致密性乳房影响，可以很好地在致密组织中找到肿瘤。医生在确定一个肿瘤的位置后，需要根据图像信息，给出BIRADS分级(0-5)。分级将决定这个肿瘤是否被活检。目前BIRADS4a以上的肿瘤需要活检，但是活检结果往往良性肿瘤占百分之75。不必要的活检对女性增加了心理负担。而漏诊的癌症具有生命危险。
现有的辅助诊断只有良恶性判断系统，是基于人工计算的图像特征(形状，后端阴影，边界等等)通过一个分类器来给出一个肿瘤的恶性程度。而且，现有的技术方案是在二维超声图像上使用迁移学习的方法进行图像的分类，但在三维乳腺超声图像上还缺乏相关的研究，也没有进行多切片信息融合的分类方法。因此，本领域技术人员提供了一种三维超声辅助BIRADS辅助诊断系统，以解决上述背景技术中提出的问题。
发明内容
本发明的目的在于提供一种三维超声辅助BIRADS辅助诊断系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种三维超声辅助BIRADS辅助诊断系统，其具体工作流程如下：
步骤1：调用自动检测系统
调用已经存在的计算机自动检测系统来自动找出同一个乳房不同位置图像的所有可能的肿瘤；
步骤2：诊断
读片工作站展示同一个乳房的不同位置图像，使用者在读片过程中，发现了可疑肿瘤，点击该可疑肿瘤，使用计算机分级系统给出该可疑肿瘤BIRADS分级；
步骤3：自动配对
3.1、运用计算机分级系统计算出之前调用计算机自动检测系统所找出的所述所有可能的肿瘤的特征向量Vimage；
3.2、计算用户选择的可疑肿瘤和同一乳房不同位置的所有可能的肿瘤的相似度，相似度定义为两对特征向量的模的求反；
3.3、如果相似度大于一个阈值，则认为不同位置的肿瘤是和用户选择的可疑肿瘤为同一个肿瘤，显示配对成功，且利用计算机分级系统给出配对成功的肿瘤的BIRADS分级；
步骤4：图像数据搜索
用户主动或者被动使用搜寻类似病例功能，其为利用所述计算机分级系统计算出的特征向量Vimage，比对数据库里已经存在的大量数据，找到最相似的n个病例，并将图像和对应的良恶性的信息一同在工作站上显示给用户，用户结合自己的判断给出最终的诊断。
作为本发明再进一步的方案：所述计算机分级系统实现良恶性分类方式如下：
(1)对含有乳腺病变的三维乳腺超声图像进行预处理，截取出每个病变在横截面和冠状面方向上不同位置的多张二维图像，并将图像缩放到统一尺寸；
(2)建立迁移学习模型，引入在ImageNet数据集上训练好的InceptionV3模型，去掉其全连接层，加入新的全连接层，用于良恶性的二分类问题；
(3)将步骤(1)中处理后的横截面方向上的图像及其标签作为训练集，输入步骤(2)中搭建的InceptionV3迁移学习模型中进行训练，得到用于横截面图像分类的模型；
(4)将步骤(1)中处理后的冠状面方向上的图像及其标签作为训练集，输入步骤(2)中搭建的InceptionV3迁移学习模型中进行训练，得到用于冠状面图像分类的模型；
(5)将病变的多张横截面切片输入步骤(3)中训练好的模型中，将多张冠状面切片输入步骤(4)中训练好的模型中，将得到的所有切片的预测概率进行平均融合，输出该病变的分类结果。
作为本发明再进一步的方案：所述步骤(1)中在病变的不同位置的横截面上取三张ROI，冠状面上取三张ROI，图像统一缩放到140×140像素。
作为本发明再进一步的方案：所述步骤(2)中新增两层全连接层，第一层的节点数为256，第二层的节点数为2。
作为本发明再进一步的方案：所述步骤(3)和(4)中的训练方法是开放所有层的参数进行调整。
与现有技术相比，本发明的有益效果是：
本发明的辅助系统在使用时，当医生点击某一个三维图像的肿瘤时候，该系统能反馈给医生这个肿瘤的BIRADS分级，同时该系统会自动显示同一乳房上的其他位置的对应的同一个肿瘤的BIRADS分级；且该系统会自动从数据库中搜寻类似病例，帮助医生给出最终的BIRADS级别。
附图说明
图1为一种三维超声辅助BIRADS辅助诊断系统中计算机自动分级系统的流程图。
图2为一种三维超声辅助BIRADS辅助诊断系统中计算机自动分级系统的迁移学习过程图。
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做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。
本发明实施例中，一种三维超声辅助BIRADS辅助诊断系统，其具体工作流程如下：
步骤1：调用自动检测系统
调用已经存在的计算机自动检测系统来自动找出同一个乳房不同位置图像的所有可能的肿瘤；
步骤2：诊断
读片工作站展示同一个乳房的不同位置图像，使用者在读片过程中，发现了可疑肿瘤，点击该可疑肿瘤，使用计算机分级系统给出该可疑肿瘤BIRADS分级；
步骤3：自动配对
3.1、运用计算机分级系统计算出之前调用计算机自动检测系统所找出的所述所有可能的肿瘤的特征向量Vimage；
3.2、计算用户选择的可疑肿瘤和同一乳房不同位置的所有可能的肿瘤的相似度，相似度定义为两对特征向量的模的求反；
3.3、如果相似度大于一个阈值，则认为不同位置的肿瘤是和用户选择的可疑肿瘤为同一个肿瘤，显示配对成功，且利用计算机分级系统给出配对成功的肿瘤的BIRADS分级；
步骤4：图像数据搜索
用户主动或者被动使用搜寻类似病例功能，其为利用所述计算机分级系统计算出的特征向量Vimage，比对数据库里已经存在的大量数据，找到最相似的n个病例，并将图像和对应的良恶性的信息一同在工作站上显示给用户，用户结合自己的判断给出最终的诊断。
所述计算机分级系统实现良恶性分类方式如下：
(1)对含有乳腺病变的三维乳腺超声图像进行预处理，截取出每个病变在横截面和冠状面方向上不同位置的多张二维图像，并将图像缩放到统一尺寸；
(2)建立迁移学习模型，引入在ImageNet数据集上训练好的InceptionV3模型，去掉其全连接层，加入新的全连接层，用于良恶性的二分类问题；
(3)将步骤(1)中处理后的横截面方向上的图像及其标签作为训练集，输入步骤(2)中搭建的InceptionV3迁移学习模型中进行训练，得到用于横截面图像分类的模型；
(4)将步骤(1)中处理后的冠状面方向上的图像及其标签作为训练集，输入步骤(2)中搭建的InceptionV3迁移学习模型中进行训练，得到用于冠状面图像分类的模型；
(5)将病变的多张横截面切片输入步骤(3)中训练好的模型中，将多张冠状面切片输入步骤(4)中训练好的模型中，将得到的所有切片的预测概率进行平均融合，输出该病变的分类结果。
所述步骤(1)中在病变的不同位置的横截面上取三张ROI，冠状面上取三张ROI，图像统一缩放到140×140像素。
所述步骤(2)中新增两层全连接层，第一层的节点数为256，第二层的节点数为2。
所述步骤(3)和(4)中的训练方法是开放所有层的参数进行调整。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种三维超声辅助BIRADS辅助诊断系统，其特征在于，其具体工作流程如下：
步骤1：调用自动检测系统
调用已经存在的计算机自动检测系统来自动找出同一个乳房不同位置图像的所有可能的肿瘤；
步骤2：诊断
读片工作站展示同一个乳房的不同位置图像，使用者在读片过程中，发现了可疑肿瘤，点击该可疑肿瘤，使用计算机分级系统给出该可疑肿瘤BIRADS分级；
步骤3：自动配对
3.1、运用计算机分级系统计算出之前调用计算机自动检测系统所找出的所述所有可能的肿瘤的特征向量Vimage；
3.2、计算用户选择的可疑肿瘤和同一乳房不同位置的所有可能的肿瘤的相似度，相似度定义为两对特征向量的模的求反；
3.3、如果相似度大于一个阈值，则认为不同位置的肿瘤是和用户选择的可疑肿瘤为同一个肿瘤，显示配对成功，且利用计算机分级系统给出配对成功的肿瘤的BIRADS分级；
步骤4：图像数据搜索
用户主动或者被动使用搜寻类似病例功能，其为利用所述计算机分级系统计算出的特征向量Vimage，比对数据库里已经存在的大量数据，找到最相似的n个病例，并将图像和对应的良恶性的信息一同在工作站上显示给用户，用户结合自己的判断给出最终的诊断。
2.根据权利要求1所述的一种三维超声辅助BIRADS辅助诊断系统，其特征在于，所述计算机分级系统实现良恶性分类方式如下：
(1)对含有乳腺病变的三维乳腺超声图像进行预处理，截取出每个病变在横截面和冠状面方向上不同位置的多张二维图像，并将图像缩放到统一尺寸；
(2)建立迁移学习模型，引入在ImageNet数据集上训练好的InceptionV3模型，去掉其全连接层，加入新的全连接层，用于良恶性的二分类问题；
(3)将步骤(1)中处理后的横截面方向上的图像及其标签作为训练集，输入步骤(2)中搭建的InceptionV3迁移学习模型中进行训练，得到用于横截面图像分类的模型；
(4)将步骤(1)中处理后的冠状面方向上的图像及其标签作为训练集，输入步骤(2)中搭建的InceptionV3迁移学习模型中进行训练，得到用于冠状面图像分类的模型；
(5)将病变的多张横截面切片输入步骤(3)中训练好的模型中，将多张冠状面切片输入步骤(4)中训练好的模型中，将得到的所有切片的预测概率进行平均融合，输出该病变的分类结果。
3.根据权利要求2所述的一种三维超声辅助BIRADS辅助诊断系统，其特征在于，所述步骤(1)中在病变的不同位置的横截面上取三张ROI，冠状面上取三张ROI，图像统一缩放到140×140像素。
4.根据权利要求2所述的一种三维超声辅助BIRADS辅助诊断系统，其特征在于，所述步骤(2)中新增两层全连接层，第一层的节点数为256，第二层的节点数为2。
5.根据权利要求2所述的一种三维超声辅助BIRADS辅助诊断系统，其特征在于，所述步骤(3)和(4)中的训练方法是开放所有层的参数进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811166446.6A CN111000589B (zh) | 2018-10-08 | 2018-10-08 | 一种三维超声辅助birads辅助诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811166446.6A CN111000589B (zh) | 2018-10-08 | 2018-10-08 | 一种三维超声辅助birads辅助诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111000589A CN111000589A (zh) | 2020-04-14 |
| CN111000589B true CN111000589B (zh) | 2024-03-15 |
Family
ID=70110569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811166446.6A Active CN111000589B (zh) | 2018-10-08 | 2018-10-08 | 一种三维超声辅助birads辅助诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111000589B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111603199B (zh) * | 2020-04-24 | 2023-03-14 | 中国人民解放军总医院第二医学中心 | 一种基于体表定位测量仪的三维重建超声诊断系统 |
| CN112508942B (zh) * | 2020-12-25 | 2023-04-28 | 上海深博医疗器械有限公司 | 一种获取bi-rads等级的方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010029481A (ja) * | 2008-07-29 | 2010-02-12 | Univ Of Tsukuba | 腫瘍の経過観察レポート自動作成診断支援システム |
| CN102521517A (zh) * | 2011-12-20 | 2012-06-27 | 深圳市人民医院 | 乳腺肿瘤判别分析系统及方法 |
| CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI473598B (zh) * | 2012-05-18 | 2015-02-21 | Univ Nat Taiwan | Breast ultrasound image scanning and diagnostic assistance system |
-
2018
- 2018-10-08 CN CN201811166446.6A patent/CN111000589B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010029481A (ja) * | 2008-07-29 | 2010-02-12 | Univ Of Tsukuba | 腫瘍の経過観察レポート自動作成診断支援システム |
| CN102521517A (zh) * | 2011-12-20 | 2012-06-27 | 深圳市人民医院 | 乳腺肿瘤判别分析系统及方法 |
| CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积神经网络和多信息融合的三维乳腺超声分类方法;孔小函 等;《中国生物医学工程学报》;第37卷(第4期);第414-422页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111000589A (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shen et al. | An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization | |
| CN110310281B (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
| Mahmood et al. | A brief survey on breast cancer diagnostic with deep learning schemes using multi-image modalities | |
| CN109583440B (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 | |
| CN109493325B (zh) | 基于ct影像的肿瘤异质性分析系统 | |
| Mahmood et al. | Breast lesions classifications of mammographic images using a deep convolutional neural network-based approach | |
| Maitra et al. | Identification of abnormal masses in digital mammography images | |
| CN112132917A (zh) | 一种直肠癌淋巴结转移的智能诊断方法 | |
| US9122897B2 (en) | Method for the detection and classification of microcalcification clusters in digital mammograms | |
| CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
| CN103955912A (zh) | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 | |
| CN111000589B (zh) | 一种三维超声辅助birads辅助诊断系统 | |
| Haq et al. | BTS-GAN: computer-aided segmentation system for breast tumor using MRI and conditional adversarial networks | |
| CN110728239A (zh) | 一种利用深度学习的胃癌增强ct图像自动识别系统 | |
| Zhao et al. | BreastDM: A DCE-MRI dataset for breast tumor image segmentation and classification | |
| CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
| CN114913120A (zh) | 一种基于迁移学习的多任务乳腺癌超声检测方法 | |
| Honghan et al. | Rms-se-unet: A segmentation method for tumors in breast ultrasound images | |
| Zhang et al. | Multi‐domain features for reducing false positives in automated detection of clustered microcalcifications in digital breast tomosynthesis | |
| You et al. | A cGAN-based tumor segmentation method for breast ultrasound images | |
| Wang et al. | MLN-net: A multi-source medical image segmentation method for clustered microcalcifications using multiple layer normalization | |
| CN116612313A (zh) | 基于改进EfficientNet-B0模型的肺结节良恶性分类方法 | |
| Sasikala et al. | Improved breast cancer detection using fusion of bimodal sonographic features through binary firefly algorithm | |
| Gong et al. | Domain knowledge-guided adversarial adaptive fusion of hybrid breast ultrasound data |
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 |