CN111292298A - 乳腺癌病理分型确定方法、装置和存储介质 - Google Patents

乳腺癌病理分型确定方法、装置和存储介质 Download PDF

Info

Publication number
CN111292298A
CN111292298A CN202010069727.0A CN202010069727A CN111292298A CN 111292298 A CN111292298 A CN 111292298A CN 202010069727 A CN202010069727 A CN 202010069727A CN 111292298 A CN111292298 A CN 111292298A
Authority
CN
China
Prior art keywords
neural network
ultrasonic
ultrasound
pathological
determining
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
CN202010069727.0A
Other languages
English (en)
Inventor
赵明昌
张义
甘从贵
陈建军
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.)
Wuxi Chison Medical Technologies Co Ltd
Original Assignee
Wuxi Chison Medical Technologies 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 Wuxi Chison Medical Technologies Co Ltd filed Critical Wuxi Chison Medical Technologies Co Ltd
Priority to CN202010069727.0A priority Critical patent/CN111292298A/zh
Publication of CN111292298A publication Critical patent/CN111292298A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及超声影像处理技术领域，具体涉及一种乳腺癌病理分型确定方法、装置和存储介质。其中，乳腺癌病理分型确定方法包括：获取同一乳腺癌病灶的N条超声信息，所述N条超声信息为在不同角度和/或不同位置处的超声检查信息，所述超声信息为超声图像和/或超声视频，N为大于1的整数；对于每条超声信息，通过分型神经网络确定所述超声信息中的病灶的病理分型；通过聚合神经网络基于确定得到的各个病理分型确定得到最终病理分型。解决了现有技术中获取到的病理分型准确率不高的问题，达到了可以根据不同角度和/或不同位置的多个超声信息来确定病理分型，进而提高确定得到的病理分型的准确率的效果。

Description

乳腺癌病理分型确定方法、装置和存储介质
技术领域
本发明涉及超声影像处理技术领域，具体涉及一种乳腺癌病理分型确定方法、装置和存储介质。
背景技术
乳腺癌病理分型目前依赖于穿刺活检或者手术切除后，对病变组织做病理切片而得到，对于病人而言是有创的，病人也非常痛苦。
超声检查作为一种无创的乳腺检查手段，得到了越来越广泛的应用，并且可以覆盖到基层医院，进行大规模筛查。但是由于超声成像的局限性，现有方法很难得到乳腺癌的病理分型结果。比如，常见的处理方法为基于BI-RADS乳腺影像报告的分析方法，其通过提取影像中的特征，计算每个特征类的敏感性和特异性，进而根据计算得到的敏感性和特异性，基于BI-RADS来确定病灶的病变分类级别。这也就是说现有方案中仅能确定得到乳腺癌病灶的病变分类级别，无法确定得到病理分型。
发明内容
有鉴于此，本发明实施例提供了一种乳腺癌病理分型确定方法、装置和存储介质，以解决现有方案无法确定病理分型的问题。
根据第一方面，本发明实施例提供了一种乳腺癌病理分型确定方法，包括：
获取同一乳腺癌病灶的N条超声信息，所述N条超声信息为在不同角度和/或不同位置处的超声检查信息，所述超声信息为超声图像和/或超声视频，N为大于1的整数；
对于每条超声信息，通过分型神经网络确定所述超声信息中的病灶的病理分型；
通过聚合神经网络基于确定得到的各个病理分型确定得到最终病理分型。
可选的，所述通过聚合神经网络基于确定得到的各个病理分型确定得到最终病理分型，包括：
将确定得到的各个病理分型输入至NetVlad网络进行聚类；
通过分类器对聚类结果做特征融合，得到最终病理分型。
可选的，所述通过分类器对聚类结果做特征融合，得到最终病理分型，包括：
通过至少两种特征筛选算法对所述聚类结果进行特征筛选；
通过所述分类器对筛选出的特征做融合，得到最终病理分型。
可选的，所述分类器为KNN或者Logistic_Regression。
可选的，所述N条超声信息中包括是超声图像的超声信息，所述通过分型神经网络确定所述超声信息中的病灶的病理分型，包括：
通过第一神经网络识别所述超声图像中的兴趣区ROI；
将所述ROI输入至第二神经网络，通过所述第二神经网络确定所述ROI的病理分型。
可选的，所述N条超声信息中包括是超声视频的超声信息，所述通过分型神经网络确定所述超声信息中的病灶的病理分型，包括：
将所述超声视频划分为长度为P帧的T段，P为大于1的整数，T为正整数；
对于所述T段超声视频分段中的每一段超声视频分段，通过第三神经网络确定所述超声视频分段中的病灶的病理分型。
可选的，所述第三神经网络为包括空间卷积神经网络和时间卷积神经网络的双流网络，所述通过第三神经网络确定所述超声视频分段中的病灶的病理分型，包括：
将所述超声视频分段中的光流特征输入至所述时间卷积神经网络，将所述超声视频分段输入至所述空间卷积神经网络；
将所述时间卷积神经网络和所述空间卷积神经网络的输出结果做聚合，得到所述超声视频分段中的病灶的病理分型。
可选的，在得到T个超声视频分段的病理分型之后，所述方法还包括：
根据确定的T个病理分型确定所述超声视频分段中的病灶的病理分型。
可选的，所述根据确定的T个病理分型确定所述超声视频中的病灶的病理分型，包括：
通过所述聚合神经网络基于确定得到的T个病理分型确定得到所述超声视频所对应的病理分型。
根据第三方面，本发明实施例提供了一种超声设备，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任一实施方式所述的乳腺癌病理分型确定方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面或第一方面任一实施方式所述的乳腺癌病理分型确定方法。
通过获取同一乳腺癌病灶的N条超声信息，所述N条超声信息为在不同角度和/或不同位置处的超声检查信息，所述超声信息为超声图像和/或超声视频，N为大于1的整数；对于每条超声信息，通过分型神经网络确定所述超声信息中的病灶的病理分型；通过聚合神经网络基于确定得到的各个病理分型确定得到最终病理分型；解决了现有技术中无法确定得到病理分型或者获取到的病理分型准确率不高的问题，达到了可以根据不同角度和/或不同位置的多个超声信息来确定病理分型，进而提高确定得到的病理分型的准确率的效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的乳腺癌病理分型确定方法的流程图。
图2是本发明实施例中的第三神经网络中的每个分支的网络结构图。
图3为图2中inc层的一种可能的实现的示意图。
图4是本发明实施例的第三神经网络的具体结构示意图。
图5是本发明实施例提供的超声设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
根据本发明实施例，提供了一种乳腺癌病理分型确定方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种乳腺癌病理分型确定方法，可用于上述的超声设备，图1是根据本发明实施例的乳腺癌病理分型确定方法的流程图，如图1所示，该流程包括如下步骤：
步骤101，获取同一乳腺癌病灶的N条超声信息，所述N条超声信息为在不同角度和/或不同位置处的超声检查信息，所述超声信息为超声图像和/或超声视频，N为大于1的整数。
步骤102，对于每条超声信息，通过分型神经网络确定所述超声信息中的病灶的病理分型。
分型神经网络是指用于确定超声信息中的病灶的病理分型的网络，实际实现时，该分型神经网络可以为一个网络，也可以为多个网络的组合，对此并不做限定。
步骤103，通过聚合神经网络基于确定得到的各个病理分型确定得到最终病理分型。
聚合神经网络为对多个病理分型进行聚合进而最终得到一个病理分型的网络，实际实现时，该聚合神经网络可以为一个网络，也可以为多个网络的组合，对此并不做限定。
综上所述，本实施例通过获取乳腺癌病灶的N条超声信息，所述N条超声信息为在不同角度和/或不同位置处的超声检查信息，所述超声信息为超声图像和/或超声视频，N为大于1的整数；对于每条超声信息，通过分型神经网络确定所述超声信息中的病灶的病理分型；通过聚合神经网络基于确定得到的各个病理分型确定得到最终病理分型；解决了现有技术中无法确定得到病理分型或者获取到的病理分型准确率不高的问题，达到了可以根据不同角度和/或不同位置的多个超声信息来确定病理分型，进而提高确定得到的病理分型的准确率的效果。
步骤101包括：获取同一乳腺癌病灶的超声图像，和/或，获取同一乳腺癌病灶的超声视频。其中，超声图像和超声视频的总条数为N条，且N条的角度或者位置不同。
其中，获取病灶的超声图像的获取方式包括：在病灶的某一角度获取一张静态超声图像。
获取病灶的超声视频的获取方式包括：固定病灶的某一角度，平移超声探头均匀的从病灶的一端移动到病灶的另一端，在完整扫查整个病灶之后，得到一个超声视频。实际实现时，可以先确定病灶的最大切面所处的角度，在平行于该切面，移动探头平移超声探头均匀的从病灶的一端移动到病灶的另一端，在完整扫查整个病灶之后，得到一个超声视频；此后，将超声探头旋转90度，也即垂直于最大切面所处的角度，然后按照上述扫查过程再次扫查，得到另外一个超声视频。当然实际实现时，医护人员还可以从其他角度的切面按照上述流程进行扫查，对此并不做限定。
另外，实际应用中，可以仅获取超声图像，或者，仅获取超声视频，当然也可以同时获取超声图像和超声视频，对此并不做限定。
而基于获取到的超声信息是超声图像或者是超声视频，步骤102的具体实现也有所不同。
在第一种可能的实现方式中，在某一条超声信息为超声图像时，步骤102包括：
第一，通过第一神经网络识别所述超声图像中的兴趣区ROI（Region Of Interest，兴趣区）；
第一神经网络可以为深度学习检测算法，本实施例中第一神经网络可以为Faster-Rcnn，通过Faster-Rcnn检测算法检测超声图像中的ROI。
第二， 将所述ROI输入至第二神经网络，通过所述第二神经网络确定所述ROI的病理分型。
第二神经网络可以为分类网络，比如vgg或者resnet等等，在ROI通过第二神经网络之后，第二神经网络输出的特征向量即为确定得到的ROI病理分型。
本实施例仅以超声图像为一张来举例说明，在超声图像为多张时，对于每张超声图像均执行上述处理，在此不再赘述。
在第二种可能的实现方式中，在超声信息为超声视频时，步骤102可以包括：
第一，将所述超声视频划分为长度为P帧的T段，P为大于1的整数，T为正整数。
在超声视频的总帧数不能被P整除时，则最后一个分段中的帧数可以不足P帧。
第二，对于所述T段超声视频分段中的每一段超声视频分段，通过第三神经网络确定所述超声视频分段中的病灶的病理分型。
第三神经网络为包括空间卷积神经网络和时间卷积神经网络的双流网络，因此本步骤可以包括：
（1）、将所述超声视频分段中的光流特征输入至所述时间卷积神经网络，将所述超声视频分段输入至所述空间卷积神经网络；
空间卷积神经网络和时间卷积神经网络为包括若干隐藏层的卷积神经网络，且实际实现是空间卷积神经网络和时间卷积神经网络的网络结构基本相同，不同的是两者的网络参数可能不同。并且，每支卷积神经网络可以为I3D卷积网络。比如，请参考图2，其示出了每个分支的神经网络的网络架构，图3示出了图2中的inc层的一种可能的实现。
另外，请参考图4，其示出了超声视频分段输入至第三神经网络处理的示意图。
（2）、将所述时间卷积神经网络和所述空间卷积神经网络的输出结果做聚合，得到所述超声视频分段中的病灶的病理分型。
在时间卷积神经网络和空间卷积神经网络均得到输出结果之后，对两者的输出结果做聚合，进而得到超声视频分段中的病灶的病理分型。而由于时间卷积神经网络和空间卷积神经网络的输出向量的维度均比较大，因此，请参考图4，本实施例中在对两者的输出结果做聚合时，可以将两个网络输出的特征向量相加后求平均，并将均值作为病灶的病理分型。
可选的，由于将超声视频划分为T个分段，因此可以得到T个病理分型，实际实现时，一种可能的实现方式为直接执行步骤103，在另一种可能的实现方式中，在得到T个病理分型之后，还可以根据T个病理分型确定超声视频分段中的病灶的病理分型，也即对T个病理分型做聚合得到一个病理分型。
本实施例中对T个病理分型做聚合的方式包括：（a）、对T个病理分型投票，将得票最多的病理分型确定为该超声视频分段的病理分型；（b）、通过所述聚合神经网络基于确定得到的T个病理分型确定得到所述超声视频分段所对应的病理分型。
其中，聚合神经网络将T个病理分型聚合为该超声视频分段所对应的病理分型的聚合步骤包括:
第一，将确定得到的各个病理分型输入至NetVlad网络进行聚类；
第二，通过分类器对聚类结果做特征融合，得到最终病理分型。
其中，分类器可以为KNN或者Logistic_Regression。
上述仅以得到聚类结果之后，直接通过分类器对聚类结果做特征融合来举例说明，实际实现时，在特征聚合之前，上述第二个步骤可以包括：
（1）、通过LightGBM算法对所述聚类结果进行特征筛选；
（2）、通过所述分类器对筛选出的特征做融合，得到该超声视频分段的病理分型。
上述仅以通过LightGBM算法对聚类结果进行特征筛选来举例说明，实际实现时，在做特征筛选时，还可以通过多方法特征筛选，比如通过至少两种特征筛选算法对聚类结果进行特征筛选。至少两种特征筛选算法中的每个特征筛选算法可以为PearsonCorrelation、Chi-Squared、Recursive Feature Elimination、Lasso、Tree-based。其中：
Pearson Correlation：通过计算特征与标签之间的皮尔逊相关性的绝对值，并根据该绝对值大小设置阈值，选择大于该阈值的特征。
Chi-Squared：该方法计算目标与数值变量之间的卡方度量，只选择卡方值最大的变量。
Recursive Feature Elimination：递归消除特征法使用一个基模型(如逻辑回归模型)来进行多轮训练，每一轮训练后移除若干拥有最小绝对值权重的特征，往复递归，直至剩余的特征数量达到指定的特征数量。
Lasso：Lasso方法主要通过正则器强制若干特征权重为零的方式进行特征选择，通过选择权重非零特征的方式，实现特征选择。在使用Lasso方法时需要指定基模型(如逻辑回归模型)。
Tree-based：基于树的方法可以使用RandomForestClassifier、LightGBM、XGBoost等具体方法进行特征筛选。在分裂时，基于树的方法会记录特征参与叶子节点分裂的次数及分裂产生的增益，依据设定的类型，输出对应的特征重要性数值。一般可将重要性大于0(可根据需要选择实际数值)的特征筛选出来。
对于每种特征筛选算法，将选择的特征的标志位设置为1，未选择的特征的标志位设置为0，将各种特征筛选算法设置的标志位进行相加，筛选其中加和大于阈值的特征。当然，实际实现时，还可以为每种特征筛选算法筛选出的特征的标志位设置权重，进而在计算加和时根据各自的权重进行计算，在此不再赘述。
需要说明的是，在获取到的超声信息中包括多个超声视频时，对于各个超声视频进行分段时，每个超声视频分段的长度可以相同或者不同，并且基于超声视频的长度的不同，得到的超声视频分段的段数也可能会有所不同，在此不再赘述。
通过使用聚合神经网络将多个病理分型进行聚合得到一个病理分型，提高了确定得到的病理分型的准确度。
另外，本实施例通过对筛选出的特征做融合，进而得到病理分型，提高了确定得到的病理分型的准确率。
在上述实施例中，步骤103可以具体实现为：
第一，将确定得到的各个病理分型输入至NetVlad网络进行聚类；
此处所说的各个病理分型为步骤102中确定得到的各个病理分型。
第二，通过分类器对聚类结果做特征融合，得到最终病理分型。
分类器为KNN或者Logistic_Regression。
可选的，所述通过分类器对聚类结果做特征融合，得到最终病理分型，包括：
通过LightGBM算法对所述聚类结果进行特征筛选；
通过所述分类器对筛选出的特征做融合，得到最终病理分型。
与上述特征筛选类似的是，此处仅以通过LightGBM算法做特征筛选来举例说明，实际实现时，还可以通过至少两种特征筛选算法对聚类结果进行特征筛选。至少两种特征筛选算法中的每种特征筛选算法可以为Pearson Correlation、Chi-Squared、RecursiveFeature Elimination、Lasso、Tree-based。本实施例在此不再赘述。
请参阅图5，图5是本发明可选实施例提供的一种超声设备的结构示意图，如图5所示，该超声设备可以包括：至少一个处理器61，例如CPU（Central Processing Unit，中央处理器），至少一个通信接口63，存储器64，至少一个通信总线62。其中，通信总线62用于实现这些组件之间的连接通信。其中，通信接口63可以包括显示屏（Display）、键盘（Keyboard），可选通信接口63还可以包括标准的有线接口、无线接口。存储器64可以是高速RAM存储器（Random Access Memory，易挥发性随机存取存储器），也可以是非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器64可选的还可以是至少一个位于远离前述处理器61的存储装置。其中处理器61可以结合图5所描述的装置，存储器64中存储应用程序，且处理器61调用存储器64中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线62可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。通信总线62可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器64可以包括易失性存储器（英文：volatile memory），例如随机存取存储器（英文：random-access memory，缩写：RAM）；存储器也可以包括非易失性存储器（英文：non-volatile memory），例如快闪存储器（英文：flash memory），硬盘（英文：hard diskdrive，缩写：HDD）或固态硬盘（英文：solid-state drive，缩写：SSD）；存储器64还可以包括上述种类的存储器的组合。
其中，处理器61可以是中央处理器（英文：central processing unit，缩写：CPU），网络处理器（英文：network processor，缩写：NP）或者CPU和NP的组合。
其中，处理器61还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路（英文：application-specific integrated circuit，缩写：ASIC），可编程逻辑器件（英文：programmable logic device，缩写：PLD）或其组合。上述PLD可以是复杂可编程逻辑器件（英文：complex programmable logic device，缩写：CPLD），现场可编程逻辑门阵列（英文：field-programmable gate array，缩写：FPGA），通用阵列逻辑（英文：generic arraylogic, 缩写：GAL）或其任意组合。
可选地，存储器64还用于存储程序指令。处理器61可以调用程序指令，实现如本申请图1实施例中所示的乳腺癌病理分型确定方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的超声图像的渲染方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard DiskDrive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (11)

1.一种乳腺癌病理分型确定方法，其特征在于，包括：
获取同一乳腺癌病灶的N条超声信息，所述N条超声信息为在不同角度和/或不同位置处的超声检查信息，所述超声信息为超声图像和/或超声视频，N为大于1的整数；
对于每条超声信息，通过分型神经网络确定所述超声信息中的病灶的病理分型；
通过聚合神经网络基于确定得到的各个病理分型确定得到最终病理分型。
2.根据权利要求1所述的方法，其特征在于，所述通过聚合神经网络基于确定得到的各个病理分型确定得到最终病理分型，包括：
将确定得到的各个病理分型输入至NetVlad网络进行聚类；
通过分类器对聚类结果做特征融合，得到最终病理分型。
3.根据权利要求2所述的方法，其特征在于，所述通过分类器对聚类结果做特征融合，得到最终病理分型，包括：
通过至少两种特征筛选算法对所述聚类结果进行特征筛选；
通过所述分类器对筛选出的特征做融合，得到最终病理分型。
4.根据权利要求2所述的方法，其特征在于，所述分类器为KNN或者Logistic_Regression。
5.根据权利要求1至4任一所述的方法，其特征在于，所述N条超声信息中包括是超声图像的超声信息，所述通过分型神经网络确定所述超声信息中的病灶的病理分型，包括：
通过第一神经网络识别所述超声图像中的兴趣区ROI；
将所述ROI输入至第二神经网络，通过所述第二神经网络确定所述ROI的病理分型。
6.根据权利要求1至4任一所述的方法，其特征在于，所述N条超声信息中包括是超声视频的超声信息，所述通过分型神经网络确定所述超声信息中的病灶的病理分型，包括：
将所述超声视频划分为长度为P帧的T段，P为大于1的整数，T为正整数；
对于所述T段超声视频分段中的每一段超声视频分段，通过第三神经网络确定所述超声视频分段中的病灶的病理分型。
7.根据权利要求6所述的方法，其特征在于，所述第三神经网络为包括空间卷积神经网络和时间卷积神经网络的双流网络，所述通过第三神经网络确定所述超声视频分段中的病灶的病理分型，包括：
将所述超声视频分段中的光流特征输入至所述时间卷积神经网络，将所述超声视频分段输入至所述空间卷积神经网络；
将所述时间卷积神经网络和所述空间卷积神经网络的输出结果做聚合，得到所述超声视频分段中的病灶的病理分型。
8.根据权利要求6所述的方法，其特征在于，在得到T个超声视频分段的病理分型之后，所述方法还包括：
根据确定的T个病理分型确定所述超声视频分段中的病灶的病理分型。
9.根据权利要求8所述的方法，其特征在于，所述根据确定的T个病理分型确定所述超声视频中的病灶的病理分型，包括：
通过所述聚合神经网络基于确定得到的T个病理分型确定得到所述超声视频所对应的病理分型。
10.一种乳腺癌病理分型确定装置，其特征在于，所述装置包括存储器和处理器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现如权利要求1至9任一所述的方法。
11.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现如权利要求1至9任一所述的方法。
CN202010069727.0A 2020-01-21 2020-01-21 乳腺癌病理分型确定方法、装置和存储介质 Pending CN111292298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010069727.0A CN111292298A (zh) 2020-01-21 2020-01-21 乳腺癌病理分型确定方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010069727.0A CN111292298A (zh) 2020-01-21 2020-01-21 乳腺癌病理分型确定方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN111292298A true CN111292298A (zh) 2020-06-16

Family

ID=71024325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010069727.0A Pending CN111292298A (zh) 2020-01-21 2020-01-21 乳腺癌病理分型确定方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN111292298A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111816281A (zh) * 2020-06-23 2020-10-23 无锡祥生医疗科技股份有限公司 超声影像查询装置
WO2021151305A1 (zh) * 2020-07-16 2021-08-05 平安科技（深圳）有限公司 基于缺失数据的样本分析方法、装置、电子设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190012432A1 (en) * 2017-07-05 2019-01-10 General Electric Company Methods and systems for reviewing ultrasound images
CN109829889A (zh) * 2018-12-27 2019-05-31 清影医疗科技（深圳）有限公司 一种超声图像处理方法及其系统、设备、存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190012432A1 (en) * 2017-07-05 2019-01-10 General Electric Company Methods and systems for reviewing ultrasound images
CN109829889A (zh) * 2018-12-27 2019-05-31 清影医疗科技（深圳）有限公司 一种超声图像处理方法及其系统、设备、存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111816281A (zh) * 2020-06-23 2020-10-23 无锡祥生医疗科技股份有限公司 超声影像查询装置
CN111816281B (zh) * 2020-06-23 2024-05-14 无锡祥生医疗科技股份有限公司 超声影像查询装置
WO2021151305A1 (zh) * 2020-07-16 2021-08-05 平安科技（深圳）有限公司 基于缺失数据的样本分析方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
Ozdemir et al. A 3D probabilistic deep learning system for detection and diagnosis of lung cancer using low-dose CT scans
US9959615B2 (en) System and method for automatic pulmonary embolism detection
US11593943B2 (en) RECIST assessment of tumour progression
Shin et al. Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning
JP4999163B2 (ja) 画像処理方法および装置ならびにプログラム
Xu et al. DeepLN: a framework for automatic lung nodule detection using multi-resolution CT screening images
US9014456B2 (en) Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules
Sert et al. Ensemble of convolutional neural networks for classification of breast microcalcification from mammograms
Zheng et al. Deep convolutional neural networks for multiplanar lung nodule detection: Improvement in small nodule identification
US20130259345A1 (en) Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules
Biasiolli et al. Automated localization and quality control of the aorta in cine CMR can significantly accelerate processing of the UK Biobank population data
US10706534B2 (en) Method and apparatus for classifying a data point in imaging data
CN111598871B (zh) 多特征融合辅助检测肺部磨玻璃影结节系统及介质
KR20230059799A (ko) 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델
CN110751629A (zh) 一种心肌影像分析装置及设备
WO2014171830A1 (en) Method and system for determining a phenotype of a neoplasm in a human or animal body
CN115965750B (zh) 血管重建方法、装置、计算机设备和可读存储介质
JP6415878B2 (ja) 画像処理装置、画像処理方法及び医用画像診断装置
Khordehchi et al. Automatic lung nodule detection based on statistical region merging and support vector machines
CN112949654A (zh) 图像检测方法及相关装置、设备
CN111292298A (zh) 乳腺癌病理分型确定方法、装置和存储介质
CN114332132A (zh) 图像分割方法、装置和计算机设备
Zhang et al. LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis
CN113888520A (zh) 用于生成牛眼图的系统和方法
US20220172370A1 (en) Method for detecting white matter lesions based on medical image

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