CN113100742B - 乳腺mr影像智能诊断方法、装置及设备 - Google Patents

Abstract

本申请提供一种乳腺MR影像智能诊断方法，通过接收输入图像；获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于诊断的诊断图像；采用自动分析工具分析所述诊断图像，根据预设的输入条件，将诊断结果输入到影像结构化报告中；根据所述影像结构化报告的预设规则，生成乳腺MR报告。通过对乳腺MR影像的自动测量，获取更精确的测量数据，避免人工测量造成的误差大的问题，能够使得在多次测量中获取一致性更好的数据，并通过影像结构化报告输出诊断结果，保证了临床评估的规范性和准确性。本申请还提供一种乳腺MR影像智能诊断装置以及设备。

Description

乳腺MR影像智能诊断方法、装置及设备

技术领域

本申请涉及一种乳腺诊断技术，尤其涉及一种乳腺MR影像智能诊断方法。本申请还涉及一种乳腺MR影像智能诊断装置以及设备。

背景技术

乳腺癌是女性最常见的恶性肿瘤之一，其原因是乳腺细胞生长失控所导致得。一般的情况下，在乳腺癌前期，生长失控的乳腺细胞在乳腺小叶和乳腺导管中无序分裂，最终形成恶性肿瘤。据统计，早期乳腺癌在发生后，5年生存率高达99％，随着时间的推移，癌细胞一旦扩散到周围淋巴结，5年生存率降低至85％，而一旦发生癌细胞远处转移，5年生存率降低至27％。因此，早发现，早治疗是诊治乳腺癌的关键所在。

乳腺MR检查(乳腺核磁共振检查)对于乳腺癌的诊断、治疗计划、疗效评价、愈后预测等具有重要作用，因此在乳腺癌诊治的全流程中广泛使用。乳腺MR检查在乳腺癌诊断的过程中，用于检出癌症病灶，定位、并测量出病变肿瘤的大小和功能，基于上述检出的结果给出BI-RADS评分；在乳腺癌的治疗过程中，显示病变肿瘤的分布、位置，以辅助评估保乳术的可行性；在乳腺癌的治疗疗效评估中，用于测量肿瘤提及的变化，以及肿瘤灌注和组织的变化。乳腺MR检查可以对乳腺内部组织以及血管进行充分的分析，对判断乳腺的良、恶性肿瘤，有很好的临床指导作用。但是在现有的技术中，乳腺MR检查还有一些没有解决的实际问题存在。

在进行乳腺MR检查中，定量测量结果对乳腺癌的治疗计划和疗效评估具有十分重要的作用，因此需要在反复多次的检查报告中准确、一致的报告多种测量值。临床医生在临床工作中书写乳腺MR检查报告时，要由临床医生手工对检测影像进行测量，通过勾画ROI的方式获取定量数据。对于新辅助化疗的患者来说，治疗过程中需要进行多次乳腺MR检查，并比较多次乳腺MR检查中肿瘤在治疗过程中的定量变化。由于人工测量误差大的问题存在，因此会致使最终获得的测量数据不准确性增加，并在多次检测中得到不一致的测量结果。同时所述测量误差也会导致临床评估的不准确性增加。

发明内容

为解决上述技术问题，本申请的目的旨在提出一种乳腺MR影像智能诊断方法用以解决人工测量误差大的问题。同时本申请还提供一种乳腺MR影像智能诊断装置以及设备。

本申请提供一种乳腺MR影像智能诊断方法，包括：

接收输入图像；

获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于诊断的诊断图像；

采用自动分析工具分析所述诊断图像，根据预设的输入条件，将诊断结果输入到影像结构化报告中；

根据所述影像结构化报告的预设规则，生成乳腺MR报告。

可选的，所述自动分析工具包括以下类型至少一种：

AI模型、影像组学模型和基于规则的程序。

可选的，所述属性信息包括：

图像性质信息、图像质量信息。

可选的，所述采用自动化分析工具分析所述诊断图像，是指按照一个或者多个诊断类别，

分别采用对应的所述自动化分析工具进行诊断。

可选的，所述影像结构化报告中还输入包括：

将所述诊断结果和相对应的既往诊断结果比较，得到的比较结果。

可选的，根据所述诊断结果，确定诊断类别的BI-RADS分类，其中，所述诊断结果包括病灶定位信息和病灶大小。

可选的，所述诊断结果包括定量诊断结果和定性诊断结果。

可选的，所述采用自动分析工具分析所述诊断图像包括，获取与所述诊断图像相关的可

预测项的预测概率；

所述预测项包括：远处淋巴结转移、Her2阳性、新辅助治疗疗效。

本申请还提供一种乳腺MR影像智能诊断装置，其特征在于，包括：

接收模块，用于接收输入图像；

确定模块，用于获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于诊断的诊断图像；

分析模块，采用自动分析工具分析所述诊断图像，根据预设的输入条件，将诊断结果输入到影像结构化报告中；

报告生成模块，用于根据所述影像结构化报告的预设规则，生成乳腺MR报告。

可选的，所述分析模块还包括：

诊断模块，用于将自动化分析工具获取的对应的诊断信息和所述相对应诊断类别的既往诊断信息比较，得到比较结果。

本申请还提供一种乳腺MR影像智能诊断设备，其特征在于，包括：

处理器；

存储器，存储乳腺MR影像智能诊断程序，所述程序在被所述处理器读取后时执行如下操作：接收输入图像；获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于诊断的诊断图像；采用自动分析工具分析所述诊断图像，根据预设的输入条件，将诊断结果输入到影像结构化报告中；根据所述影像结构化报告的预设规则，生成乳腺MR报告。

与现有技术相比，本申请的优点如下：

本申请提供的乳腺MR影像智能诊断方法通过接收输入图像；获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于诊断的诊断图像；采用自动分析工具分析所述诊断图像，根据预设的输入条件，将诊断结果输入到影像结构化报告中；根据所述影像结构化报告的预设规则，生成乳腺MR报告。通过对乳腺MR影像的自动测量，获取更精确的测量数据，避免人工测量造成的误差大的问题，能够使得在多次测量中获取一致性更好的数据，并通过影像结构化报告输出诊断结果，保证了临床评估的规范性和准确性。

附图说明

图1是本申请中的乳腺MR影像诊断流程图。

图2是本申请中图像筛选步骤中影像结构化报告的界面示意图。

图3是本申请中整体评估在影像结构化报告中的界面示意图。

图4本申请中主要病变检查后发送到影像结构化报告中的界面示意图。

图5是本申请中伴随象征分类发送到影像结构化报告中的界面示意图。

图6是本申请中各个诊断类别与既往诊断信息比较后在影像结构化报告中的界面示意图。

图7是本申请中根据各个诊断类别的诊断在影像结构化报告中生成诊断结果的界面示意图。

图8是本申请中乳腺MR影像诊断装置的结构示意图。

具体实施方式

以下内容详细的阐述了本申请中技术方案的具体技术细节以使本申请的目的、特征和优点更为明显易懂。下面所记载的内容仅仅用于解释本发明的各种细节，不是对本发明的限定。本领域的普通技术人员能够在理解本发明的构思后，依据本发明的核心内涵在实施手段和应用场景中做出各种变化，而这种变化不脱离本申请的保护范围。

本申请主要保护一种乳腺MR影像的智能诊断方法，通过采用自动分析工具自动分析乳腺MR影像，并结合结构化报告，自动输出乳腺MR报告。具体步骤为：接收输入图像；获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于诊断的诊断图像；采用自动分析工具分析所述诊断图像，根据预设的输入条件，将诊断结果输入到影像结构化报告中；根据所述影像结构化报告的预设规则，生成乳腺MR报告。通过上述步骤，通过自动分析工具分析乳腺MR影像，并将自动测量的各个诊断类别的结果输出到影像结构化报告，并由影像结构化报告根据其内部规则，的出最终的MR报告。依据本方法进行的乳腺MR诊断在节省人力，并进一步提高了测量准确性的基础上，能更为准确的提供临床评估的准确性。

请参照图1，图1是本申请中乳腺MR影像诊断的流程图，具体展示本申请中乳腺MR影像诊断的步骤。

如图1所示，步骤S101接收输入图像；

在本步骤中，所述图像是乳腺MR(核磁共振)影像，由核磁共振设备进行影像的摄制。所示接收输入图像具体是指，接收将所述核磁共振设备依据规定的要求摄制的图像。

步骤S102获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于诊断的诊断图像；

本步骤中，将接收的输入图像中附带的属性信息识别出来，然后根据所述属性信息进行图像的筛选。所述属性信息包括：图像的性质信息：RIS登记信息；图像的质量信息：扫描范围信息、图像伪影信息、增强扫描期限信息。其中所述性质信息是指，输入图像适用于诊断类别的信息。通过自动分析工具分析所述输入图像的性质信息，并将所述性质信息和RIS(影像信息系统)登记的诊断类别信息比较，则可以判断所述输入图像是否可以进行乳腺MR影像诊断。在完成比较之后，将所述图像的性质信息和RIS登记信息的对比结果，作为定性诊断的结果发送到影像结构化报告当中。本申请中，定量诊断结果包括诊断信息的测量结果；所述定性诊断结果包括所述测量结果和既往测量结果的比较结果。

若该图像的性质信息符合RIS登记的诊断类别的信息，则将所述输入图像定义为诊断图像，并输出所述诊断图像用于后续诊断；若该图像的性质信息不符合RIS登记的诊断类别的信息，则将终止诊断流程，并发送提示信息存储在数据库中，并由相关人员进行进一步的处理。

图2展示了本申请中图像筛选步骤中影像结构化报告的界面示意图。

如图2所示，根据自动分析工具对输入图像的分析以及将所述输入图像的性质信息和RIS登记信息进行比较，可以确定检查目的。例如，检查目的：高危人群乳腺癌筛查、诊断性检查，或者用于其他目的。

上述提到的输入图像的属性信息还包括质量信息，应当清楚的是，所述输入图像通过自动分析工具获取的性质信息符合RIS登记信息，但是并不表示该输入图像一定能够提供适用于自动分析工具对各种诊断类别进行诊断的图像。为此，本申请在进行输入图像的性质信息和RIS登记信息的比较之后，还需要进行质量判断。

通过自动分析工具分析所述诊断图像，并判断所述诊断图像是否符合自动分析工具进行准确的分析，判断所述诊断图像是否具有缺陷。例如，所述诊断图像是否具有扫描范围不足、图像伪影、增强扫描期相不恰当等缺陷。

在完成所述质量判断后，若所述诊断图像不具有缺项，则图像质量合格，将所述质量判断结果作为定性诊断结果发送到影像结构化报告当中，并将所述诊断图像继续用于后续诊断流程。若所述诊断图像具有缺陷，则判断所述诊断图像的质量不合格，将所述判断结果作为定性诊断结果发送到影像结构化报告当中，并终止后续诊断流程，发送提示信息到数据库中，由相关人员进行进一步的处理。

在经过上述流程的处理，若所述诊断图像即符合性质信息，也符合质量信息，则将进行进一步的按照诊断类别分类进行诊断的流程。

步骤S103采用自动分析工具分析所述诊断图像，根据预设的输入条件，将诊断结果输入到影像结构化报告中；

所述采用自动化分析工具分析所述诊断图像，是指按照一个或者多个诊断类别，分别采用对应的自动化分析工具进行诊断，所述预设的输入条件是指将每个诊断类别分别发送到影像结构化报告中对应的控件，所述自动分析工具包括：AI模型、影像组学模型和基于规则的程序。在本步骤中，具体分为3个部分：整体检查、病灶描述。

首先采用自动分析工具将诊断图像用于整体检查，所述整体检查主要是分割乳腺及胸壁相关区域、判断乳腺术后改变、乳房定位、和腺体密度分类，以下将一一介绍。

分割乳腺及胸壁相关区域：

在这个诊断类别中，主要目的是采用包括AI模型在内的自动分析工具，对乳腺以及胸壁进行位置确定，例如，确定乳腺和胸壁相关区域的坐标。首先是对各个区域的分割，例如分割为：乳房、腋尾区、乳内区、腺体、乳头、皮肤、腋窝淋巴结、胸壁和心脏等，然后将所述分割后的区域坐标识别出来，完成相关区域坐标的确定。

判断乳腺术后改变；

在这个诊断类别中，主要是采用包括AI模型在内的自动分析工具，分析所述诊断图像显示的待检测实体，若做过保乳术，所述手术之后是否发生改变。优选的，所述是否做过手术是记录在案的，可以通过调取在案记录判断是否做过手术。还可以是预先备注的，即在进行判断乳腺术后改变之前，备注该乳腺曾做过手术。

利用自动分析工具分析所述图像，例如将所述诊断图像和历史诊断图像比较，若发现术后改变，则将所述改变区域或者手术区域作为关键图像单独生成，并将所述关键图像发送到影像结构化报告当中，同时发送手术的定性诊断“可见术后改变”到影像结构化报告中。若未发现术后改变，则直接将定性诊断“未见术后改变”发送到影像结构化报告中。

在上述步骤中，首先区分判断乳腺术后改变的两个结果是“可见术后改变”和未见术后改变。针对上述两种结果，分别执行不同的步骤。

若所述结果是“可见术后改变”则进行乳房定位操作：

乳房定位：

将所述乳房图像进行分割形成多个区域，例如：前、中、后部；内、外、上、下象限；中心区；腋尾区；乳内区等。

所述乳房的图像分割为多个区域后，对各个区域进行位置确定，例如确定其每个区域的坐标和编码。本申请中，采用AI模型和基于规则的程序进行乳房定位操作。

判断腺体密度分类：

在进行完毕乳房定位之后，则需要采用自动化工具，例如基于规则的程序对乳房中腺体的密度进行分类，所述分类是依照乳腺密度的大小，依次分成多个类别，包括：脂化型、纤维腺体型、不均匀腺体型、致密型。

在确定所述腺体密度的分类后，将所述结构发送到影像结构化报告中。

图3展示了本申请中整体评估在影像结构化报告中的界面示意图。

请参照图3所示，整体评估后，将各项诊断的定性诊断发送到结构化报告中，具体通过4项内容显示，分别是：乳腺术后、腺体成分、背景强化、整体评价，其中所述乳腺术后根据具体诊断情况显示左或/和右乳是否做过保乳术，以及是否存在金属架、假体等异物。所述腺体成分可以展示左乳或/和右乳的腺体密度分类。所述背景强化可以显示乳房的对称性以及强化程度。所述整体评价则是整体评述乳房的特征。

在判断腺体密度分类进行完毕后即可进入第二个检查部分，即病灶描述，所述病灶描述的核心是主要病变的描述。但是，若在乳腺术后改变的判断中判断的结果是“未见术后改变”，则直接进入到这个检查部分。

在病灶描述中，包括肿块检出，采用包括AI模型和基于规则的程序等自动分析工具，分析是否产生肿块，以及若产生肿块，判断所述肿块的位置，数量、类型、体积、三维径线、动态增强曲线、信号强度、ADC值的参数。

在所述检查肿块中，若诊断信息是已经产生的肿块，则将所述定性诊断“检出肿块”发送到影像结构化报告中，并将所述肿块发送的区域生成关键图像一并发送到影像结构化报告中。若诊断信息是还没有产生肿块，则直接将所述定性诊断“未见肿块”发送到影像结构化报告中。

图4是本申请中主要病变检查后发送到影像结构化报告中的界面示意图。

请参照图4所示，所述主要病变包括点状强化、肿块和非肿块强化，其中所述肿块需要描述形状，例如圆形、卵圆形或者不规则形等；边缘，例如光整、不光整、不规则、毛刺状等；特征信号，例如均匀、不均匀、环状、内部暗分割等，而非肿块强化则是直接描述分布，例如分不分不，局灶性，现线性、节段性、区域性、多区域性或者弥漫性；信号特征，例如均匀、不均匀、卵石样或者聚集环状强化。

病灶描述的第二的部分是伴随象征分类的判断。

图5展示了本申请中伴随象征分类发送到影像结构化报告中的界面示意图。

请参考图5所示，采用包括AI模型、基于规则的程序等自动化分析工具，分析识别乳腺癌发生后的伴随象征，所述伴随象征可以是：皮肤受侵、皮肤增厚、乳头受侵、腋窝淋巴结肿大、胸大肌受侵等。若所述伴随象征的至少其中之一已经产生，则将对应类别的定性诊断“可见”发送到影像结构化报告中，反正，则将定性诊断“未见”发送到影像结构化报告中。

病灶描述的第三的部分是预测相关临床数据，采用自动分析工具分析所述诊断图像，获取与所述诊断图像相关的可预测项的预测概率。

基于自动分析工具，包括：AI模型、影像组学模块、基于规则的程序等，分析所述诊断图像，并根据分析判断是否发生远处淋巴结转移、Her2阳性、新辅助治疗疗效等，并预测发生概率。基于所述概率的预测结果，将所述预测概率发送到影像结构化报告中。

通过上述诊断，已经完成了最基本的基于诊断类别的诊断，接下来，将根据上述诊断结果，进行进一步分析。

将自动化分析工具获取的相对应的诊断类别的诊断信息和所述相对应的既往诊断类别的诊断信息比较，得到比较结果，将所述诊断结果和相对应的既往诊断结果比较得到的比较结果发送到结构化报告中。

图6展示了本申请中各个诊断类别与既往诊断信息比较后在影像结构化报告中的界面示意图。

请参照图6所示，首先根据自动分析工具，包括：AI模型和基于规则的程序，判断所述每个诊断类别的诊断信息是否是阳性结果，若是，则将所述诊断结果是阳性的诊断类别的既往诊断信息调出，并与本次诊断信息进行比较，获取比较结果。所示比较比较结果包括检查时间、图像来源、检查方法、比较结果4项，其中比较结果为“未见明显变化”和“可见变化”。

所述比较结果是定性诊断的，也可以称之为定性诊断。所述定性诊断可以是“未见变化”和“可见变化”，将所述定性诊断发送到影像结构化报告中。

基于上述诊断结果中包含每个病灶定性诊断结果和病灶定量诊断结果，确定每个病灶的BI-RADS分类，并将所述分类结果发送到影像结构化报告中。

步骤S104根据所述影像结构化报告的预设规则，生成乳腺MR报告。

图7展示了本申请中根据各个诊断类别的诊断在影像结构化报告中生成诊断结果的界面示意图。

请参照图7所示，基于上述诊断分析的全部诊断结果，采用基于规则的程序整合所述诊断分析的全部结果，得出诊断结果的诊断印象，其中所述基于规则的程序包含了预设规则，所述预设规则是针对所述诊断分析的全部结果进行综合分析的规则，包括根据诊断结果提取数据库中与所述诊断结果对应的数据或者对病灶的描述等。若在所述诊断印象中，自动生成的描述并不符合实际情况，则可以通过手段编辑的方法进行更改。

根据以上各个诊断类别以及最终的诊断结果，生成最终的乳腺MR报告，并将所述各个诊断流程中产生的数据存储到相应的影像结构化报告数据库中。

以上是本申请中所述乳腺MR影像智能诊断方法的具体实施方式和步骤，对应于所述乳腺MR影像智能诊断方法，本申请还提供一种乳腺MR影像智能诊断装置。

图8展示了本申请中乳腺MR影像智能诊断装置的结构示意图。

请参照图8所示，本申请中所示乳腺MR影像智能诊断装置包括：接收模块、确定模块、分析模块和报告生成模块。

接收模块201，用于接收输入图像；

所述图像是乳腺MR(核磁共振)影像，由核磁共振设备进行影像的摄制。所示接收输入图像具体是指，接收将所述核磁共振设备依据规定的要求摄制的图像。

确定模块202，用于获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于诊断的诊断图像；

将接收的输入图像中附带的属性信息识别出来，然后根据所述属性信息进行图像的筛选。所述属性信息包括：图像的性质信息：RIS登记信息、患者身份信息；图像的质量信息：扫描范围信息、图像伪影信息、增强扫描期限信息。将所述性质信息和RIS(影像信息系统)登记的诊断类别信息比较，则可以判断所述输入图像是否可以进行乳腺MR影像诊断。在完成比较之后，将所述图像的性质信息和RIS登记信息的对比结果，作为定性诊断的结果发送到影像结构化报告当中。

若该图像的性质信息符合RIS登记的诊断类别的信息，则将所述输入图像定义为诊断图像，并输出所述诊断图像用于后续诊断；若该图像的性质信息不符合RIS登记的诊断类别的信息，则将终止诊断流程。

上述提到的输入图像的属性信息还包括质量信息，应当清楚的是，所述输入图像通过自动分析工具获取的性质信息符合RIS登记信息，但是并不表示该输入图像一定能够提供适用于自动分析工具对各种诊断类别进行诊断的图像。为此，本申请在进行输入图像的性质信息和RIS登记信息的比较之后，还需要进行质量判断。

通过自动分析工具分析所述诊断图像，并判断所述诊断图像是否符合自动分析工具进行准确的分析，判断所述诊断图像是否具有缺陷。例如，所述诊断图像是否具有扫描范围不足、图像伪影、增强扫描期相不恰当等缺陷。

在完成所述质量判断后，若所述诊断图像不具有缺项，则图像质量合格，将所述质量判断结果作为定性诊断结果发送到影像结构化报告当中，并将所述诊断图像继续用于后续诊断流程。若所述诊断图像具有缺陷，则判断所述诊断图像的质量不合格，将所述判断结果作为定性诊断结果发送到影像结构化报告当中，并终止后续诊断流程。

在经过上述流程的处理，若所述诊断图像即符合性质信息，也符合质量信息，则将进入分析模块203，进行进一步的按照诊断类别分类进行诊断的流程。

分析模块203，采用自动分析工具分析所述诊断图像，根据预设的输入条件，将诊断结果输入到影像结构化报告中；

所述采用自动化分析工具分析所述诊断图像，是指按照一个或者多个诊断类别，分别采用对应的自动化分析工具进行诊断。在本步骤中，具体分为2个部分：整体检查、病灶描述、诊断结果。

首先采用自动分析工具将诊断图像用于整体检查，所述自动分析工具包括：AI模型、影像组学模型和基于规则的程序。所述整体检查主要是分割乳腺及胸壁相关区域、判断乳腺术后改变、乳房定位、和腺体密度分类，以下将一一介绍。

分割乳腺及胸壁相关区域：

在这个诊断类别中，主要目的是采用包括AI模型在内的自动分析工具，对乳腺以及胸壁进行位置确定，例如，确定乳腺和胸壁相关区域的坐标。首先是对各个区域的分割，例如分割为：乳房、腋尾区、乳内区、腺体、乳头、皮肤、腋窝淋巴结、胸壁和心脏等，然后将所述分割后的区域坐标识别出来，完成相关区域坐标的确定。

判断乳腺术后改变：

在这个诊断类别中，主要是采用包括AI模型在内的自动分析工具，分析所述诊断图像显示的待检测实体，若做过保乳术，所述手术之后是否发生改变。优选的，所述是否做过手术是记录在案的，可以通过调取在案记录判断是否做过手术。还可以是预先备注的，即在进行判断乳腺术后改变之前，备注该乳腺曾做过手术。

利用自动分析工具分析所述图像，例如将所述诊断图像和历史诊断图像比较，若发现术后改变，则将所述改变区域或者手术区域作为关键图像单独生成，并将所述关键图像发送到影像结构化报告当中，同时发送手术的定性诊断“可见术后改变”到影像结构化报告中。若未发现术后改变，则直接将定性诊断“未见术后改变”发送到影像结构化报告中。

在上述步骤中，首先区分判断乳腺术后改变的两个结果是“可见术后改变”和未见术后改变。针对上述两种结果，分别执行不同的步骤。

若所述结果是“可见术后改变”则进行乳房定位操作：

所述乳房定位是指，将所述乳房图像进行分割形成多个区域，例如：前、中、后部；内、外、上、下象限；中心区；腋尾区；乳内区等。

所述乳房的图像分割为多个区域后，对各个区域进行位置确定，例如确定其每个区域的坐标和编码。本申请中，采用AI模型和基于规则的程序进行乳房定位操作。

在进行完毕乳房定位之后，则需要采用自动化工具，例如基于规则的程序对乳房中腺体的密度进行分类，所述分类是依照乳腺密度的大小，依次分成多个类别，包括：脂化型、纤维腺体型、不均匀腺体型、致密型。

判断腺体密度分类，在确定所述腺体密度的分类后，将所述结构发送到影像结构化报告中。

在判断腺体密度分类进行完毕后即可进入第二个检查部分，即病灶描述，所述病灶描述的核心是主要病变的描述。但是，若在乳腺术后改变的判断中判断的结果是“未见术后改变”，则直接进入道这个检查部分。

在病灶描述中，包括肿块检出，采用包括AI模型和基于规则的程序等自动分析工具，分析是否产生肿块，以及若产生肿块，判断所述肿块的位置，数量、类型、体积、三维径线、动态增强曲线、信号强度、ADC值的参数。

在所述检查肿块中，若诊断信息是已经产生的肿块，则将所述定性诊断“检出肿块”发送到影像结构化报告中，并将所述肿块发送的区域生成关键图像一并发送到影像结构化报告中。若诊断信息是还没有产生肿块，则直接将所述定性诊断“未见肿块”发送到影像结构化报告中。

病灶描述的第二的部分是伴随象征分类的判断。

采用包括AI模型、基于规则的程序等自动化分析工具，分析识别乳腺癌发生后的伴随象征，所述伴随象征可以是：皮肤受侵、皮肤增厚、乳头受侵、腋窝淋巴结肿大、胸大肌受侵等。若所述伴随象征的至少其中之一已经产生，则将对应类别的定性诊断“可见”发送到影像结构化报告中，反正，则将定性诊断“未见”发送到影像结构化报告中。

病灶描述的第三的部分是预测相关临床数据。

基于自动分析工具，包括：AI模型、影像组学模块、基于规则的程序等，分析所述诊断图像，并根据分析判断是否发生远处淋巴结转移、Her2阳性、新辅助治疗疗效等，并预测发生概率。基于所述概率的预测结果，将所述预测概率发送到影像结构化报告中。

本申请中，所述分析模块还包括：诊断模块。

所述诊断模块，用于将自动化分析工具获取的相对应的诊断类别信息和所述相对应诊断类别的既往诊断类别信息比较，得到诊断结果。

首先根据自动分析工具，包括：AI模型和基于规则的程序，判断所述每个诊断类别的诊断结果(在本申请中和诊断信息具有相同含义)是否是阳性结果，若是，则将所述诊断结果是阳性的诊断类别的既往诊断结果调出，并与本次诊断的结果进行比较，获取比较结果。所示比较比较结果包括检查时间、图像来源、检查方法、比较结果4项，其中比较结果为“未见明显变化”和“可见变化”。

所述比较结果是定性性质的，因此在本申请中也可以称之为定性诊断。所述定性诊断可以是“未见变化”和“可见变化”，将所述定性诊断发送到影像结构化报告中。

基于上述诊断结果中包含每个病灶的定位信息，基于所述每个病灶的定位信息确定每个病灶的BI-RADS分类，并将所述分类发送到影像结构化报告中。

报告生成模块204，用于根据所述影像结构化报告的预设规则，生成乳腺MR报告。

基于上述诊断分析的全部结果，采用基于规则的程序整合所述诊断分析的全部结果，得出诊断结果的诊断印象，其中所述基于规则的程序包含了预设规则，所述预设规则是针对所述诊断分析的全部结果进行综合分析的规则。若在所述诊断印象中，自动生成的描述并不符合实际情况，则可以通过手段编辑的方法进行更改。

根据以上各个诊断类别以及最终的诊断结果，生成最终的乳腺MR报告，并将所述各个诊断流程中产生的数据存储到相应的影像结构化报告数据库中。

本申请还提供一种乳腺MR影像智能诊断设备，包括：处理器；存储器，存储乳腺MR影像智能诊断程序，所述程序在被所述处理器读取后时执行如下操作：接收输入图像；获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于诊断的诊断图像；采用自动分析工具分析所述诊断图像，根据预设的输入条件，将诊断结果输入到影像结构化报告中；根据所述影像结构化报告的预设规则，生成乳腺MR报告。

Claims (4)

1.一种乳腺MR影像智能评估装置，其特征在于，包括：

接收模块，用于接收输入图像；

确定模块，用于获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于评估的诊断图像；

分析模块，采用自动分析工具分析所述诊断图像，根据预设的输入条件，将评估结果输入到影像结构化报告中；其中，所述采用自动分析工具分析所述诊断图像，是指按照一个或者多个诊断类别，分别采用对应的所述自动分析工具进行评估，所述诊断类别包括：分割乳腺及胸壁、判断乳腺术后改变、乳房定位、判断腺体密度分类、肿块检出、伴随征象分类、预测相关临床数据；其中，所述肿块检出包括是否存在肿块、肿块位置、肿块大小；其中，所述自动分析工具包括：AI模型、影像组学模块和基于规则的程序；

其中，所述采用自动分析工具分析所述诊断图像包括，获取与所述诊断图像相关的可预测项的预测概率；所述预测项包括：远处淋巴结转移、Her2阳性、新辅助治疗疗效；其中，

所述按照一个或多个诊断类别，分别采用对应的自动分析工具进行评估，按照如下先后顺序依次对诊断图像进行分析：

S1：乳腺及胸壁分割的AI模型在所述诊断图像中进行乳腺及胸壁的分割，将每个分割区域的坐标进行标识，输出分割后的诊断图像；

S2：乳腺术后改变判断AI模型分析所述分割后的诊断图像，判断是否存在术后改变；

S2-1：若存在术后改变，则采用乳房定位AI模型和基于规则的程序进行乳房定位；采用基于规则的程序对乳房定位后的诊断图像进行腺体密度进行分类，输出腺体密度分类后的诊断图像；

S2-2：若不存在术后改变，则直接进入S3；

S3：肿块检出AI模型和基于规则的程序对分割后的诊断图像或腺体密度分类后的诊断图像进行分析，判断是否产生肿块，若存在肿块，则确定肿块位置和大小，输出标注后的诊断图像；

S4：采用预测相关临床数据的AI模型、影像组学模块和基于规则的程序，分析所述标注后的诊断图像，判断是否发生远处淋巴结转移、Her2阳性、新辅助治疗疗效，并预测发生概率；

报告生成模块，用于根据所述影像结构化报告的预设规则，生成乳腺MR报告。

2.根据权利要求1所述一种乳腺MR影像智能评估装置，其特征在于，所述分析模块还包括：

诊断模块，用于将自动分析工具获取的对应的评估信息和相对应诊断类别的既往评估信息比较，得到比较结果。

3.根据权利要求1所述的一种乳腺MR影像智能评估装置，其特征在于，根据所述评估结果，确定BI-RADS分类。

4.一种乳腺MR影像智能评估设备，其特征在于，包括：

处理器；

存储器，存储乳腺MR影像智能诊断程序，所述程序在被所述处理器读取后时执行如下操作：接收输入图像；获取所述输入图像的属性信息，根据所述属性信息以及预设的筛选信息，确定用于评估的诊断图像；采用自动分析工具分析所述诊断图像，根据预设的输入条件，将评估结果输入到影像结构化报告中；其中，所述采用自动分析工具分析所述诊断图像，是指按照一个或者多个诊断类别，分别采用对应的所述自动分析工具进行评估，所述诊断类别包括：分割乳腺及胸壁、判断乳腺术后改变、乳房定位、判断腺体密度分类、肿块检出、伴随征象分类、预测相关临床数据；其中，所述肿块检出包括是否存在肿块、肿块位置、肿块大小；其中，所述自动分析工具包括：AI模型、影像组学模块和基于规则的程序；其中，

所述按照一个或多个诊断类别，分别采用对应的自动化分析工具进行评估，按照如下先后顺序依次对诊断图像进行分析：

S1：乳腺及胸壁分割的AI模型在所述诊断图像中进行乳腺及胸壁的分割，将每个分割区域的坐标进行标识，输出分割后的诊断图像；

S2：乳腺术后改变判断AI模型分析所述分割后的诊断图像，判断是否存在术后改变；

S2-1：若存在术后改变，则采用乳房定位AI模型和基于规则的程序进行乳房定位；采用基于规则的程序对乳房定位后的诊断图像进行腺体密度进行分类，输出腺体密度分类后的诊断图像；

S2-2：若不存在术后改变，则直接进入S3；

S3：肿块检出AI模型和基于规则的程序对分割后的诊断图像或腺体密度分类后的诊断图像进行分析，判断是否产生肿块，若存在肿块，则确定肿块位置和大小，输出标注后的诊断图像；

S4：采用预测相关临床数据的AI模型、影像组学模块和基于规则的程序，分析所述标注后的诊断图像，判断是否发生远处淋巴结转移、Her2阳性、新辅助治疗疗效，并预测发生概率；

其中，所述采用自动分析工具分析所述诊断图像包括，获取与所述诊断图像相关的可预测项的预测概率；所述预测项包括：远处淋巴结转移、Her2阳性、新辅助治疗疗效；根据所述影像结构化报告的预设规则，生成乳腺MR报告。