CN112508942B - 一种获取bi-rads等级的方法和系统 - Google Patents
一种获取bi-rads等级的方法和系统 Download PDFInfo
- Publication number
- CN112508942B CN112508942B CN202011562127.4A CN202011562127A CN112508942B CN 112508942 B CN112508942 B CN 112508942B CN 202011562127 A CN202011562127 A CN 202011562127A CN 112508942 B CN112508942 B CN 112508942B
- Authority
- CN
- China
- Prior art keywords
- image data
- rads
- breast
- predicted value
- grade
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10—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
- G06T2207/30—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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请提供了一种获取BI‑RADS等级的方法和系统,包括:根据乳腺影像数据的集合对待训练良/恶性肿瘤二分类模型进行训练;根据所述第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI‑RADS等级;根据所述预测值对应的每个BI‑RADS等级的密度,确定具有多个BI‑RADS等级对应关系的预测值对应的唯一BI‑RADS等级,并建立预测值‑BI‑RADS等级的对应关系;通过所述第二乳腺影像数据获取对应的预测值;将所述第二乳腺影像数据对应的预测值与所述预测值‑BI‑RADS等级的对应关系进行比较,获取所述第二乳腺影像数据对应的BI‑RADS等级。
Description
技术领域
本申请属于数据处理领域,尤其涉及一种获取BI-RADS等级的方法和系统。
背景技术
乳腺癌是严重危害女性健康的恶性肿瘤之一。乳腺癌是全世界女性中被诊断最多的癌症类型,也是女性癌症致死的主要原因。目前医学上还没有能够有效预防乳腺癌的手段。因此,乳腺癌的早期发现、早期诊断和早期治疗对于降低乳腺癌的死亡率具有重要意义。
BI-RADS是 (Breast Imaging Reporting and Data System乳腺影像报告和数据系统)的英文缩写,是目前乳腺影像诊断普遍应用的分级评价标准。BI-RADS分级法将乳腺病变分为0~6级,用来评价乳腺病变良恶性程度。一般来说,级别越高,恶性的可能性越大。这一标准的建立使描述乳腺病灶的特征性术语和评价病灶恶性程度的报告术语趋于标准化规范化,降低了解读乳腺影像学报告中出现误差和不确定性,尤其对乳腺癌复查诊断更为重要。
根据官方提供的BI-RADS等级分级表,可以得到肿瘤恶性概率与BI-RADS等级粗略的映射关系。但良/恶性肿瘤二分类模型的预测值的绝对值并不反映实际的BI-RADS等级,并且每次对同一病灶的训练,其预测值会随数据分布及训练程度不同而有很大变化。
现有技术通常将乳腺影像数据直接用作良/恶性肿瘤二分类模型的训练,因为大多乳腺影像数据只有良/恶性肿瘤的结果,并没有BI-RADS等级的标注,同时乳腺影像数据分配到BI-RADS各等级的数量较少,且每次采集条件也不均衡,这些原因都导致了无法直接从影像数据训练较准确的BI-RADS多分类模型。
因而需要一个把良/恶性肿瘤二分类模型的预测值转换为实际的BI-RADS等级的映射表。这样每次训练得到新的模型,通过更新并使用这个映射表转换就可以保证BI-RADS的相对准确的分级。
发明内容
本发明实施例的主要目的在于提供一种获取BI-RADS等级的方法和系统,使得良/恶性肿瘤二分类模型可以准确的显示出其预测值对应的BI-RADS等级。
第一方面,提供了一种获取BI-RADS等级的方法,所述方法包括:
根据乳腺影像数据的集合对待训练良/恶性肿瘤二分类模型进行训练,所述乳腺影像数据包括:第一乳腺影像数据和第二乳腺影像数据,所述第一乳腺影像数据为已标注乳腺影像报告和数据系统BI-RADS等级的乳腺影像数据,所述第二乳腺影像数据为未标注BI-RADS等级的乳腺影像数据;
根据所述第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级
根据所述预测值对应的每个BI-RADS等级的密度,确定具有多个BI-RADS等级对应关系的预测值对应的唯一BI-RADS等级,并建立预测值-BI-RADS等级的对应关系;
通过所述第二乳腺影像数据对已训练良/恶性肿瘤二分类模型进行预测,获取所述第二乳腺影像数据对应的预测值;
将所述第二乳腺影像数据对应的预测值与所述预测值-BI-RADS等级的对应关系进行比较,获取所述第二乳腺影像数据对应的BI-RADS等级。
在一个可能的实现方式中,所述根据第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级,包括:
获取第一乳腺影像数据的集合;
根据所述第一乳腺影像数据的集合对所述待训练良/恶性肿瘤二分类模型进行训练,获取对应的预测值。
在另一个可能的实现方式中,所述根据所述预测值对应的每个BI-RADS等级的密度,确定具有重叠BI-RADS等级关系的预测值对应的唯一BI-RADS等级,包括:
将密度较大的BI-RADS等级确定为所述预测值的BI-RADS等级。
在另一个可能的实现方式中,所述预测值-BI-RADS等级的对应关系绘制为核密度估计KDE密度分布图。
在另一个可能的实现方式中,所述第一乳腺影像数据和第二乳腺影像数据包括:乳腺钼靶图像、乳腺二维手动超声图像、乳腺三维自动超声图像、乳腺核磁共振图像。
第二方面,提供了一种获取BI-RADS等级的系统,所述系统包括:
训练模块,用于根据乳腺影像数据的集合对待训练良/恶性肿瘤二分类模型进行训练,所述乳腺影像数据包括:第一乳腺影像数据和第二乳腺影像数据,所述第一乳腺影像数据为已标注乳腺影像报告和数据系统BI-RADS等级的乳腺影像数据,所述第二乳腺影像数据为未标注BI-RADS等级的乳腺影像数据;
BI-RADS等级获取模块,用于根据所述第一乳腺影像数据的集合获取已训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级;
对应关系建立模块,用于根据所述预测值对应的每个BI-RADS等级的密度,确定具有多个BI-RADS等级对应关系的预测值对应的唯一BI-RADS等级,并建立预测值-BI-RADS等级的对应关系;
第二乳腺影像数据对应预测值获取模块,用于通过所述第二乳腺影像数据对已训练良/恶性肿瘤二分类模型进行预测,获取所述第二乳腺影像数据对应的预测值。
BI-RADS等级获取模块,用于将所述第二乳腺影像数据对应的预测值与所述预测值-BI-RADS等级的对应关系进行比较,获取所述第二乳腺影像数据对应的BI-RADS等级。
在另一个可能的实现方式中,所述BI-RADS等级获取模块,包括:
集合获取单元,用于获取第一乳腺影像数据的集合;
预测值获取单元,用于根据所述第一乳腺影像数据的集合对所述待训练良/恶性肿瘤二分类模型进行训练,获取对应的预测值。
在另一个可能的实现方式中,所述根据所述预测值对应的每个BI-RADS等级的密度,确定具有重叠BI-RADS等级关系的预测值对应的唯一BI-RADS等级,包括:
将密度较大的BI-RADS等级确定为所述预测值BI-RADS等级。
在另一个可能的实现方式中,所述预测值-BI-RADS等级的对应关系绘制为核密度估计KDE密度分布图。
在另一个可能的实现方式中,所述第一乳腺影像数据和第二乳腺影像数据包括:乳腺钼靶图像、乳腺二维手动超声图像、乳腺三维自动超声图像、乳腺核磁共振图像。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本发明一个实施例提供的一种获取BI-RADS等级的方法的流程图;
图2为本发明另一个实施例提供的一种获取BI-RADS等级的方法流程图;
图3为本发明一个实施例提供的一种获取BI-RADS等级的系统的结构图;
图4为本发明另一个实施例提供的一种获取BI-RADS等级的系统的结构图;
图5为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图;
图6为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图;
图7为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图;
图8为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图;
图9为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图;
图10为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图。
具体实现方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、模块和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、模块、组件和/或它们的组。应该理解,当我们称模块被“连接”或“耦接”到另一模块时,它可以直接连接或耦接到其他模块,或者也可以存在中间模块。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一模块和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实现方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如和解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例一
如图1所示为本发明一个实施例提供的一种获取BI-RADS等级的方法的流程图,所述方法包括:
步骤S101,根据乳腺影像数据的集合对待训练良/恶性肿瘤二分类模型进行训练,所述乳腺影像数据包括:第一乳腺影像数据和第二乳腺影像数据,所述第一乳腺影像数据为已标注乳腺影像报告和数据系统BI-RADS等级的乳腺影像数据,所述第二乳腺影像数据为未标注BI-RADS等级的乳腺影像数据。
步骤S102,根据所述第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级。
在本发明实施例中,良/恶性肿瘤二分类模型是一个可以区分乳腺肿瘤的良性/恶性的数学模型,其可以为多种不同的算术表达式,已经经过实际应用的良/恶性肿瘤二分类模型可以较准确的区分乳腺肿瘤的良/恶性,而待训练的良/恶性肿瘤二分类模型的预测值则不能准确反应真实的肿瘤恶性概率,因此需要通过第一乳腺影像数据的集合对待训练的良/恶性肿瘤二分类模型的预测值进行标定。第一乳腺影像数据通过其他的良/恶性肿瘤二分类模型或其他方法已经标注出了其对应的BI-RADS(Breast Imaging Reporting andData System乳腺影像报告和数据系统)等级,系统根据第一乳腺影像数据的集合对待训练良/恶性肿瘤二分类模型进行训练,获取该待训练良/恶性肿瘤二分类模型的预测值分别对应的BI-RADS等级。
如图2所示为本发明另一个实施例提供的一种获取BI-RADS等级的方法流程图,所述根据所述第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级,包括:
步骤S201,获取第一乳腺影像数据的集合。
在本发明实施例中,获取方式可以为通过网络中以公开的数据库中获取,也可以通过相关医院的数据库中获取,通过网络获取的第一乳腺影像数据的集合较为全面,通过医院直接获取的第一乳腺影像数据的集合较为准确,具体的获取方式可以根据实际使用的需要进行选择,本申请对此不做限定。
步骤S202,根据所述第一乳腺影像数据的集合对所述待训练良/恶性肿瘤二分类模型进行训练,获取对应的预测值。
步骤S103,根据所述预测值对应的每个BI-RADS等级的密度,确定具有多个BI-RADS等级对应关系的预测值对应的唯一BI-RADS等级,并建立预测值-BI-RADS等级的对应关系。
在本发明实施例中,在全部第一乳腺影像数据均进行训练之后,同一个预测值可能对应多个不同的BI-RADS等级,获取同一预测值对应的每一个BI-RADS等级的密度,确定该预测值对应的唯一BI-RADS等级。
所述根据所述预测值对应的每个BI-RADS等级的密度,确定具有多个BI-RADS等级对应关系的预测值对应的唯一BI-RADS等级,包括:
将密度较大的BI-RADS等级确定为所述预测值的BI-RADS等级。
作为本发明的一个可选实施例,所述预测值-BI-RADS等级的对应关系绘制为核密度估计KDE密度分布图。
KDE(Kernel Density Estimation,核密度估计)密度分布图可以更直观的表现出预测值-BI-RADS等级的对应关系,方便病患快速的根据预测值查找到对应的BI-RADS等级。
在本发明实施例中,集合中的一个第一乳腺影像数据已标定的BI-RADS等级为3级,其对待训练良/恶性肿瘤二分类模型进行训练后的预测值为A,则通过观测BI-RADS等级各分部的密度,可确定A对应的BI-RADS等级为3级或其他等级。将集合中的每一个第一乳腺影像数据通过待训练良/恶性肿瘤二分类模型进行训练,即可获取所有的预测值对应的BI-RADS等级。
步骤S104,通过所述第二乳腺影像数据对已训练良/恶性肿瘤二分类模型进行预测,获取所述第二乳腺影像数据对应的预测值。
步骤S105,将所述第二乳腺影像数据对应的预测值与所述预测值-BI-RADS等级的对应关系进行比较,获取所述第二乳腺影像数据对应的BI-RADS等级。
在本发明实施例中,通过第二乳腺影像数据对已训练良/恶性肿瘤二分类模型进行预测,即可获取该第二乳腺影像数据对应的预测值,将预测值与前述步骤中获取的预测值-BI-RADS等级的对应关系进行比较,即可获取第二乳腺影像数据准确的BI-RADS等级。
其中,所述第一乳腺影像数据和第二影像数据包括但不限于:乳腺钼靶图像、乳腺二维手动超声图像、乳腺三维自动超声图像、乳腺核磁共振图像。
本发明实施例,根据第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级,并建立预测值-BI-RADS等级的对应关系,通过第二乳腺影像数据对已训练良/恶性肿瘤二分类模型进行预测,获取第二乳腺影像数据对应的预测值,将第二乳腺影像数据对应的预测值与预测值-BI-RADS等级的对应关系进行比较,获取第二乳腺影像数据对应的BI-RADS等级。使得医护人员可以准确的获取待鉴别乳腺影像数据的BI-RADS等级。
实施例二
如图3所示为本发明一个实施例提供的一种获取BI-RADS等级的系统的结构图,所述系统包括:
训练模块301,用于根据乳腺影像数据的集合对待训练良/恶性肿瘤二分类模型进行训练,所述乳腺影像数据包括:第一乳腺影像数据和第二乳腺影像数据,所述第一乳腺影像数据为已标注乳腺影像报告和数据系统BI-RADS等级的乳腺影像数据,所述第二乳腺影像数据为未标注BI-RADS等级的乳腺影像数据。
BI-RADS等级获取模块302,用于根据所述第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级。
在本发明实施例中,良/恶性肿瘤二分类模型是一个可以区分乳腺肿瘤的良性/恶性的数学模型,其可以为多种不同的算术表达式,已经经过实际应用的良/恶性肿瘤二分类模型可以较准确的区分乳腺肿瘤的良/恶性,而待训练的良/恶性肿瘤二分类模型的预测值则不能准确反应真实的肿瘤恶性概率,因此需要通过第一乳腺影像数据的集合对待训练的良/恶性肿瘤二分类模型的预测值进行标定。第一乳腺影像数据通过其他的良/恶性肿瘤二分类模型或其他方法已经标注出了其对应的BI-RADS(Breast Imaging Reporting andData System乳腺影像报告和数据系统)等级,系统根据第一乳腺影像数据的集合对待训练良/恶性肿瘤二分类模型进行训练,获取该待训练良/恶性肿瘤二分类模型的预测值分别对应的BI-RADS等级。
如图4所示为本发明另一个实施例提供的一种获取BI-RADS等级的系统的结构图,所述BI-RADS等级获取模块302,包括:
集合获取单元3021,用于获取第一乳腺影像数据的集合。
在本发明实施例中,获取方式可以为通过网络中以公开的数据库中获取,也可以通过相关医院的数据库中获取,通过网络获取的第一乳腺影像数据的集合较为全面,通过医院直接获取的第一乳腺影像数据的集合较为准确,具体的获取方式可以根据实际使用的需要进行选择,本申请对此不做限定。
预测值获取单元3022,用于根据所述第一乳腺影像数据的集合对所述待训练良/恶性肿瘤二分类模型进行训练,获取对应的预测值。
对应关系建立模块303,用于根据所述预测值对应的每个BI-RADS等级的密度,确定具有多个BI-RADS等级对应关系的预测值对应的唯一BI-RADS等级,并建立预测值-BI-RADS等级的对应关系。
在本发明实施例中,在全部第一乳腺影像数据均进行训练之后,同一个预测值可能对应多个不同的BI-RADS等级,获取同一预测值对应的每一个BI-RADS等级的密度,确定该预测值对应的唯一BI-RADS等级。
所述根据所述预测值对应的每个BI-RADS等级的密度,确定具有多个BI-RADS等级对应关系的预测值对应的唯一BI-RADS等级,包括:
将密度较大的BI-RADS等级确定为所述预测值的BI-RADS等级。
作为本发明的一个可选实施例,所述预测值-BI-RADS等级的对应关系绘制为核密度估计KDE密度分布图。
KDE(Kernel Density Estimation,核密度估计)密度分布图可以更直观的表现出预测值-BI-RADS等级的对应关系,方便病患快速的根据预测值查找到对应的BI-RADS等级。
在本发明实施例中,集合中的一个第一乳腺影像数据已标定的BI-RADS等级为3级,其对待训练良/恶性肿瘤二分类模型进行训练后的预测值为A,则通过观测BI-RADS等级各分部的密度,可确定A对应的BI-RADS等级为3级或其他等级。将集合中的每一个第一乳腺影像数据通过待训练良/恶性肿瘤二分类模型进行训练,即可获取所有的预测值对应的BI-RADS等级。
第二乳腺影像数据对应预测值获取模块304,用于通过第二乳腺影像数据对所述已训练良/恶性肿瘤二分类模型进行预测,获取所述第二乳腺影像数据对应的预测值。
BI-RADS等级获取模块305,用于将所述第二乳腺影像数据对应的预测值与所述预测值-BI-RADS等级的对应关系进行比较,获取所述第二乳腺影像数据对应的BI-RADS等级。
在本发明实施例中,通过第二乳腺影像数据对已训练良/恶性肿瘤二分类模型进行预测,通过预测即可获取该第二乳腺影像数据对应的预测值,将预测值与前述步骤中获取的预测值-BI-RADS等级的对应关系进行比较,即可获取第二乳腺影像数据准确的BI-RADS等级。
其中,所述第一乳腺影像数据和第二影像数据包括但不限于:乳腺钼靶超声图像、乳腺二维手动超声图像、乳腺三维自动超声图像、乳腺核磁共振图像。
本发明实施例,根据第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级,并建立预测值-BI-RADS等级的对应关系,通过第二乳腺影像数据对已训练良/恶性肿瘤二分类模型进行预测,获取第二乳腺影像数据对应的预测值,将第二乳腺影像数据对应的预测值与预测值-BI-RADS等级的对应关系进行比较,获取第二乳腺影像数据对应的BI-RADS等级。使得医护人员可以准确的获取待鉴别乳腺影像数据的BI-RADS等级。
如图5所示为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图。
如图6所示为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图。
如图7所示为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图。
如图8所示为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图。
如图9所示为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图。
如图10所示为本发明再一个实施例提供的相邻BI-RADS等级KDE密度分布图。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实现方式,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,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种获取BI-RADS等级的方法,其特征在于,所述方法包括:
根据乳腺影像数据的集合对待训练良/恶性肿瘤二分类模型进行训练,所述乳腺影像数据包括:第一乳腺影像数据和第二乳腺影像数据,所述第一乳腺影像数据为已标注乳腺影像报告和数据系统BI-RADS等级的乳腺影像数据,所述第二乳腺影像数据为未标注BI-RADS等级的乳腺影像数据,所述良/恶性肿瘤二分类模型是一个用以区分乳腺肿瘤的良性/恶性的数学模型;
根据所述第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级;
根据所述预测值对应的每个BI-RADS等级的密度,确定具有多个BI-RADS等级对应关系的预测值对应的唯一BI-RADS等级,并建立预测值-BI-RADS等级的对应关系;
通过所述第二乳腺影像数据对已训练良/恶性肿瘤二分类模型进行预测,获取所述第二乳腺影像数据对应的预测值;
将所述第二乳腺影像数据对应的预测值与所述预测值-BI-RADS等级的对应关系进行比较,获取所述第二乳腺影像数据对应的BI-RADS等级;
其中,所述根据所述预测值对应的每个BI-RADS等级的密度,确定具有重叠BI-RADS等级关系的预测值对应的唯一BI-RADS等级,包括:
将密度较大的BI-RADS等级确定为所述预测值的BI-RADS等级;
其中,所述预测值-BI-RADS等级的对应关系绘制为核密度估计KDE密度分布图。
2.如权利要求1所述的方法,其特征在于,所述根据第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级,包括:
获取第一乳腺影像数据的集合;
根据所述第一乳腺影像数据的集合对所述待训练良/恶性肿瘤二分类模型进行训练,获取对应的预测值。
3.如权利要求1或2所述的方法,其特征在于,所述第一乳腺影像数据和第二乳腺影像数据包括:乳腺钼靶图像、乳腺二维手动超声图像、乳腺三维自动超声图像、乳腺核磁共振图像。
4.一种获取BI-RADS等级的装置,其特征在于,所述装置包括:
训练模块,用于根据乳腺影像数据的集合对待训练良/恶性肿瘤二分类模型进行训练,所述乳腺影像数据包括:第一乳腺影像数据和第二乳腺影像数据,所述第一乳腺影像数据为已标注乳腺影像报告和数据系统BI-RADS等级的乳腺影像数据,所述第二乳腺影像数据为未标注BI-RADS等级的乳腺影像数据,所述良/恶性肿瘤二分类模型是一个用以区分乳腺肿瘤的良性/恶性的数学模型;
BI-RADS等级获取模块,用于根据所述第一乳腺影像数据的集合获取待训练良/恶性肿瘤二分类模型的预测值对应的BI-RADS等级;
对应关系建立模块,用于根据所述预测值对应的每个BI-RADS等级的密度,确定具有多个BI-RADS等级对应关系的预测值对应的唯一BI-RADS等级,并建立预测值-BI-RADS等级的对应关系;
第二乳腺影像数据对应预测值获取模块,用于通过所述第二乳腺影像数据对已训练良/恶性肿瘤二分类模型进行预测,获取所述第二乳腺影像数据对应的预测值;
BI-RADS等级获取模块,用于将所述第二乳腺影像数据对应的预测值与所述预测值-BI-RADS等级的对应关系进行比较,获取所述第二乳腺影像数据对应的BI-RADS等级;
其中,所述根据所述预测值对应的每个BI-RADS等级的密度,确定具有重叠BI-RADS等级关系的预测值对应的唯一BI-RADS等级,包括:
将密度较大的BI-RADS等级确定为所述预测值的BI-RADS等级;
其中,所述预测值-BI-RADS等级的对应关系绘制为核密度估计KDE密度分布图。
5.如权利要求4所述的装置,其特征在于,所述BI-RADS等级获取模块,包括:
集合获取单元,用于获取第一乳腺影像数据的集合;
预测值获取单元,用于根据所述第一乳腺影像数据的集合对所述待训练良/恶性肿瘤二分类模型进行训练,获取对应的预测值。
6.如权利要求4或5所述的装置,其特征在于,所述第一乳腺影像数据和第二乳腺影像数据包括:乳腺钼靶图像、乳腺二维手动超声图像、乳腺三维自动超声图像、乳腺核磁共振图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562127.4A CN112508942B (zh) | 2020-12-25 | 2020-12-25 | 一种获取bi-rads等级的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562127.4A CN112508942B (zh) | 2020-12-25 | 2020-12-25 | 一种获取bi-rads等级的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508942A CN112508942A (zh) | 2021-03-16 |
CN112508942B true CN112508942B (zh) | 2023-04-28 |
Family
ID=74922054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011562127.4A Active CN112508942B (zh) | 2020-12-25 | 2020-12-25 | 一种获取bi-rads等级的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508942B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064455A (zh) * | 2018-07-18 | 2018-12-21 | 清华大学深圳研究生院 | 一种基于bi-rads的乳腺超声图像多尺度融合的分类方法 |
CN110992312A (zh) * | 2019-11-15 | 2020-04-10 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN111000589A (zh) * | 2018-10-08 | 2020-04-14 | 上海深博医疗器械有限公司 | 一种三维超声辅助birads辅助诊断系统 |
CN111768366A (zh) * | 2020-05-20 | 2020-10-13 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像系统、bi-rads分级方法及模型训练方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11375984B2 (en) * | 2018-08-31 | 2022-07-05 | Seno Medical Instruments, Inc. | Method and system for managing feature reading and scoring in ultrasound and/or optoacoustic images |
CN109636780A (zh) * | 2018-11-26 | 2019-04-16 | 深圳先进技术研究院 | 乳腺密度自动分级方法及装置 |
CN110599476B (zh) * | 2019-09-12 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
CN111754486B (zh) * | 2020-06-24 | 2023-08-15 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-25 CN CN202011562127.4A patent/CN112508942B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064455A (zh) * | 2018-07-18 | 2018-12-21 | 清华大学深圳研究生院 | 一种基于bi-rads的乳腺超声图像多尺度融合的分类方法 |
CN111000589A (zh) * | 2018-10-08 | 2020-04-14 | 上海深博医疗器械有限公司 | 一种三维超声辅助birads辅助诊断系统 |
CN110992312A (zh) * | 2019-11-15 | 2020-04-10 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN111768366A (zh) * | 2020-05-20 | 2020-10-13 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像系统、bi-rads分级方法及模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112508942A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片系统 | |
US7529394B2 (en) | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system | |
Joo et al. | A deep learning algorithm may automate intracranial aneurysm detection on MR angiography with high diagnostic performance | |
US8391574B2 (en) | Method and system of computer-aided quantitative and qualitative analysis of medical images from multiple modalities | |
US8634610B2 (en) | System and method for assessing cancer risk | |
US11488306B2 (en) | Immediate workup | |
KR101919866B1 (ko) | 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 | |
Ayer et al. | Computer-aided diagnostic models in breast cancer screening | |
CN105359161A (zh) | 用于医学图像分析和概率诊断的系统和方法 | |
Doran et al. | Breast MRI segmentation for density estimation: Do different methods give the same results and how much do differences matter? | |
CN113168912B (zh) | 使用深度学习确定3d数据集中对象的增长速度 | |
EP3685401B1 (en) | Method and apparatus for deriving a set of training data | |
US11969265B2 (en) | Neural network classification of osteolysis and synovitis near metal implants | |
CN113208640A (zh) | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 | |
CN114677378B (zh) | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 | |
Piętka et al. | Role of radiologists in CAD life-cycle | |
Cui et al. | Value of breast MRI omics features and clinical characteristics in Breast Imaging Reporting and Data System (BI-RADS) category 4 breast lesions: an analysis of radiomics-based diagnosis | |
CN112508942B (zh) | 一种获取bi-rads等级的方法和系统 | |
US20230252633A1 (en) | Method for biomarker estimation | |
Sun et al. | Reliable detection of lymph nodes in whole pelvic for radiotherapy | |
CN117152054A (zh) | 一种无需纳入临床病理特征的乳癌患者淋巴结转移预测模型 | |
GB2574659A (en) | Immediate workup |
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 |