CN112614096A - 一种基于序数回归的乳腺钼靶病灶良恶性分析方法 - Google Patents
一种基于序数回归的乳腺钼靶病灶良恶性分析方法 Download PDFInfo
- Publication number
- CN112614096A CN112614096A CN202011490386.0A CN202011490386A CN112614096A CN 112614096 A CN112614096 A CN 112614096A CN 202011490386 A CN202011490386 A CN 202011490386A CN 112614096 A CN112614096 A CN 112614096A
- Authority
- CN
- China
- Prior art keywords
- benign
- algorithm
- malignant
- molybdenum target
- analysis
- 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
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明针对采用二分类方法对乳腺钼靶良恶性进行分析可能导致的算法预测结果与医生预期偏差过大的问题,提出了基于序数回归的钼靶良恶性分析框架,钼靶良恶性分析算法框架由特征提取及序数回归操作构成。为提升算法结果与医生预期的拟合度,使算法能更好地辅助医生进行乳腺钼靶良恶性分析工作,同时为了将算法预测结果转换为医生更易理解的形式,设计了将算法预测结果映射至BI‑RADS等级的方法。本发明提出的乳腺钼靶病灶病灶良恶性分析算法有效利用了序数回归算法框架,并使得算法能提供与医生判断更为一致的良恶性预测结果。
Description
技术领域
本发明涉及影像处理领域,具体涉及一种乳腺钼靶影像的分析方法。
背景技术
乳腺癌是当今对女性生命健康威胁最大的恶性肿瘤之一,乳腺癌的早期发现和正确的治疗可将病人的生存率极大提升,正确判断乳腺病灶的良恶性对乳腺癌的正确治疗非常关键。在目前针对乳腺癌的筛查的多种方法中,钼靶是应用范围最广的方法。
基于钼靶图像的乳腺病灶良恶性分析需要综合病灶形态、病灶分布、病灶边缘、病灶位置等多种信息,这使得基于手工提取特征的方法难以确定需要提取的特征并准确地提取特征。目前基于深度学习的算法在图像分类、物体检测、图像分割等计算机视觉问题中取得了出色的表现,但在此前的论文中,乳腺钼靶病灶良恶性分析问题通常被处理为二分类问题。在实验中采用二分类方法处理乳腺钼靶病灶良恶性分析问题导致了一系列问题。在实验中,采用二分类方法会导致算法在部分病灶上的预测结果接近0或1,这与医生日常使用习惯不同,在日常使用中医生希望算法预测的病灶恶性概率在[0,1]之间分布。同时在病灶预测结果接近0或1的情况下,算法预测错误会导致算法预测结果与医生期望差距过大。
发明内容
本发明的目的在于针对现有技术中,针对采用二分类方法对乳腺钼靶良恶性进行分析可能导致的算法预测结果与医生预期偏差过大的问题,为提升算法结果与医生预期的拟合度,使算法能更好地辅助医生进行乳腺钼靶良恶性分析工作,本发明提出了基于序数回归的钼靶良恶性分析框架。同时为了将算法预测结果转换为医生更易理解的形式,本发明设计了将算法预测结果映射至BI-RADS等级的方法。
为解决上述技术问题,本发明采用如下技术方案:
本发明公开了一种乳腺钼靶影像分析方法,包括建立钼靶良恶性分析算法框架以及将钼靶良恶性分析算法得到的结果映射到BI-RADS等级,其特征在于,所述钼靶良恶性分析算法框架由特征提取及序数回归操作构成。
优选的,所述特征提取采用18层残差网络。
优选的,所述18层残差网络由4个残差单元构成
优选的,所述残差单元由卷积层、归一化操作以及激活函数构成。
优选的,所述特征提取过程中采用恒等映射。
优选的,所述序列回归采用多个二分类结构进行处理。
优选的,所述二分类问题采用的损失函数为交叉熵损失函数。
优选的,所述将钼靶良恶性分析算法得到的结果映射到BI-RADS等级采用加权平均对多个二分类模型得到的结果进行加权。
本发明公开了一种基于乳腺钼靶影像分析的装置,其特征在于,包括:至少一个存储器,用于存储程序;至少一个处理器,用于加载所述程序以执行如权利要求1-8任一项所述的分析方法。
本发明公开了一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-8任一项所述的分析方法。
本发明公开的乳腺钼靶影像分析方法包括两个阶段:第一个阶段是建立钼靶良恶性分析算法框架;第二阶段是将钼靶良恶性分析算法得到的结果映射到BI-RADS等级。
第一阶段的钼靶良恶性分析算法框架由特征提取及序数回归操作两部分构成。
特征提取网络采用18层残差网络。残差网络是在图像分类问题中性能最好的网络之一,18层残差网络由4个残差单元构成,每个残差单元由卷积层、归一化操作以及激活函数构成。恒等映射的存在保证了网络更易于训练,而不会出现梯度消失或梯度爆炸的问题。残差单元结构如图1所示。
序数回归部分采用多个二分类结构进行处理,对于每一个BI-RADS等级k,第k个二分类用来预测当前病灶对应的BI-RADS等级是否大于或等于k。网络结构如图2所示。
对每一个二分类问题采用的损失函数为交叉熵损失函数,最终得到的损失函数为:
其中M表示BI-RADS等级数,在实验中M设为6,6个等级分别为:非病灶、BI-RADS 3、BI-RADS 4A、BI-RADS 4B、BI-RADS 4C、BI-RADS 5;N表示训练集中图像数量;yk表示根据医生标注的BI-RADS等级转换得到的标签;fi(xk)表示网络得到的结果。
在钼靶良恶性分析算法框架下,本发明由输入图像可以得到一组预测值,每个值代表图像中病灶BI-RADS等级大于或等于对应BI-RADS等级的概率。
第二阶段将钼靶良恶性分析算法得到的结果映射到BI-RADS等级。
为了将钼靶良恶性分析算法的结果转化为医生可用的结果,本发明采用加权平均对多个二分类模型得到的结果进行加权,每个二分类结果的权重采用医生BI-RADS指南中给出的每个BI-RADS等级对应的恶性程度区间跨度,例如BI-RADS 4B对应的恶性概率是10%~50%,则BI-RADS 4B对应的二分类结果在计算中的权重为0.4。加权后每个图像可得到一个对应的恶性概率,将该恶性概率与BI-RADS指南中每个BI-RADS等级对应的恶性程度区间对比,就可以得到每个图像对应的BI-RADS值。
本发明提出的乳腺钼靶病灶病灶良恶性分析算法有效利用了序数回归算法框架,并使得算法能提供与医生判断更为一致的良恶性预测结果。
附图说明
图1.残差单元结构示意图
图2.网络结构示意图
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
实施例
1)图像获取:网络的输入为经过任意检测算法检测到的病灶。在训练和测试中,本发明将检测算法输出的检测框裁剪出来,并缩放到672*672,作为网络的输入。
2)由专业医生对每个病灶进行BI-RADS等级标注,并根据病理检测结果进行病理良恶性标注。
3)划分数据集:将获取的数据集按照4:1的比例划分为训练集和测试集,其中训练集用于训练良恶性分析模型,测试集用于测试该模型的性能。为了增强模型的泛化性,本发明采用了随机翻转和旋转的方式对训练数据进行了扩增。
4)采用18层残差网络作为模型骨干网络,将残差网络原本的二分类层改为5个二分类。使每个二分类结果分别被用来判断输入样本的BI-RADS等级是否大于2、3、4A、4B、4C。训练采用交叉熵损失函数。
5)对训练好的模型在测试集验证其性能:在测试时,采用iou=0.25下的froc作为测评指标。以该方法作为评价指标,而不用传统分类算法中的指标来进行测评,主要考虑是采用froc可以综合评价病灶检测与良恶性分析的效果,更贴近医生使用该算法时的真实感受。
测试集数据分布:共855个测试样例,其中良性数据537个,恶性数据318个。
在iou=0.25时采用二分类方法与采用本发明提出的方法假阳性率与召回率的的关系如下表1,可以看出本方法在假阳性率较低的区间内大幅度提升了恶性病灶的召回率。
表1:在iou=0.25时的假阳性率与召回率的关系
本发明通过上述实施例来说明本发明的工艺方法,但本发明并不局限于上述工艺步骤,即不意味着本发明必须依赖上述工艺步骤才能实施。所属技术领域的技术人员应该明了,对本发明的任何改进,对本发明所选用原料的等效替换及辅助成分的添加、具体方式的选择等,均落在本发明的保护范围和公开范围之内。
Claims (10)
1.一种乳腺钼靶影像分析方法,包括建立钼靶良恶性分析算法框架以及将钼靶良恶性分析算法得到的结果映射到BI-RADS等级,其特征在于,所述钼靶良恶性分析算法框架由特征提取及序数回归操作构成。
2.如权利要求1所述的分析方法,其特征在于,所述特征提取采用18层残差网络。
3.如权利要求2所述的分析方法,其特征在于,所述18层残差网络由4个残差单元构成。
4.如权利要求3所述的分析方法,其特征在于,所述残差单元由卷积层、归一化操作以及激活函数构成。
5.如权利要求2所述的分析方法,其特征在于,所述特征提取过程中采用恒等映射。
6.如权利要求1所述的分析方法,其特征在于,所述序列回归采用多个二分类结构进行处理。
7.如权利要求6所述的分析方法,其特征在于,所述二分类问题采用的损失函数为交叉熵损失函数。
8.如权利要求1-7任一权利权利要求所述的分析方法,其特征在于,所述将钼靶良恶性分析算法得到的结果映射到BI-RADS等级采用加权平均对多个二分类模型得到的结果进行加权。
9.一种基于乳腺钼靶影像分析的装置,其特征在于,包括:至少一个存储器,用于存储程序;至少一个处理器,用于加载所述程序以执行如权利要求1-8任一项所述的分析方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-8任一项所述的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490386.0A CN112614096A (zh) | 2020-12-17 | 2020-12-17 | 一种基于序数回归的乳腺钼靶病灶良恶性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490386.0A CN112614096A (zh) | 2020-12-17 | 2020-12-17 | 一种基于序数回归的乳腺钼靶病灶良恶性分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112614096A true CN112614096A (zh) | 2021-04-06 |
Family
ID=75240199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011490386.0A Pending CN112614096A (zh) | 2020-12-17 | 2020-12-17 | 一种基于序数回归的乳腺钼靶病灶良恶性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614096A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511494A (zh) * | 2021-12-21 | 2022-05-17 | 北京医准智能科技有限公司 | 一种腺体密度等级确定方法、装置及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455821A (zh) * | 2012-05-29 | 2013-12-18 | 北京三星通信技术研究有限公司 | 基于bi-rads的图像分析装置和方法 |
CN106169084A (zh) * | 2016-07-08 | 2016-11-30 | 福州大学 | 一种基于高斯核参数选择的svm乳腺分类方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN108830282A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种乳腺x光图像的乳腺肿块信息提取及分类方法 |
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 |
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 |
-
2020
- 2020-12-17 CN CN202011490386.0A patent/CN112614096A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455821A (zh) * | 2012-05-29 | 2013-12-18 | 北京三星通信技术研究有限公司 | 基于bi-rads的图像分析装置和方法 |
CN106169084A (zh) * | 2016-07-08 | 2016-11-30 | 福州大学 | 一种基于高斯核参数选择的svm乳腺分类方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN108830282A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种乳腺x光图像的乳腺肿块信息提取及分类方法 |
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 |
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 |
Non-Patent Citations (4)
Title |
---|
YUNZHI HUANG 等: "Two‑stage CNNs for computerized BI‑RADS categorization in breast ultrasound images", 《BIOMEDICAL ENGINEERING ONLINE》 * |
ZXUCVER: "年龄估计:Ordianl regression", 《BLOG.CSDN.NET/CHAIPP0607/ARTICLE/DETAILS/90739483》 * |
张垒超: "超声乳腺癌图像BI-RADS分类研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
贾田菊 等: "基于深度学习的乳腺数字化X线BI-RADS密度分类的研究", 《山西医科大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511494A (zh) * | 2021-12-21 | 2022-05-17 | 北京医准智能科技有限公司 | 一种腺体密度等级确定方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564026B (zh) | 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统 | |
WO2013049153A2 (en) | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images | |
CN115601602A (zh) | 癌症组织病理图像分类方法、系统、介质、设备及终端 | |
JP2022000777A (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
CN107273824A (zh) | 基于多尺度多方向局部二值模式的人脸识别方法 | |
Min et al. | Multi-scale mass segmentation for mammograms via cascaded random forests | |
Huynh et al. | Plant identification using new architecture convolutional neural networks combine with replacing the red of color channel image by vein morphology leaf | |
CN112614096A (zh) | 一种基于序数回归的乳腺钼靶病灶良恶性分析方法 | |
Thapa et al. | Deep learning for breast cancer classification: Enhanced tangent function | |
Abbas et al. | Multi-cell type and multi-level graph aggregation network for cancer grading in pathology images | |
CN113420793A (zh) | 一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法 | |
Bhatt et al. | Image retrieval using bag-of-features for lung cancer classification | |
CN109872307B (zh) | 一种检测生物组织图像中肿块的方法、相应设备及介质 | |
Laishram et al. | Optimized hyperbolic tangent function-based contrast-enhanced mammograms for breast mass detection | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
Folorunso et al. | EfficientNets transfer learning strategies for histopathological breast cancer image analysis | |
Vyshnavi et al. | Breast density classification in mammogram images | |
Alias et al. | Edge Enhancement and Detection Approach on Cervical Cytology Images | |
Fayyadh et al. | Brain tumor detection and classifiaction using CNN algorithm and deep learning techniques | |
CN113870194B (zh) | 深层特征和浅层lbp特征融合的乳腺肿瘤超声图像处理装置 | |
Parraga et al. | A review of image-based deep learning algorithms for cervical cancer screening | |
KR20230063147A (ko) | 다단계 특징 분석을 사용한 전립선 조직의 효율적인 경량 cnn과 앙상블 머신 러닝 분류 방법 및 시스템 | |
Kurdi et al. | Classification of mammogram masses using GLCM on LBP and non-overlapping blocks of varying sizes | |
CN111242168A (zh) | 一种基于多尺度注意力特征的人体皮肤图像病变分类方法 | |
Sinthia et al. | An effective two way classification of breast cancer images: A detailed review |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |
|
RJ01 | Rejection of invention patent application after publication |