CN113222038B - 基于核磁图像的乳腺病灶分类和定位方法及装置 - Google Patents

基于核磁图像的乳腺病灶分类和定位方法及装置 Download PDF

Info

Publication number
CN113222038B
CN113222038B CN202110564671.0A CN202110564671A CN113222038B CN 113222038 B CN113222038 B CN 113222038B CN 202110564671 A CN202110564671 A CN 202110564671A CN 113222038 B CN113222038 B CN 113222038B
Authority
CN
China
Prior art keywords
lesion
image
sub
region
dimensional segmentation
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
Application number
CN202110564671.0A
Other languages
English (en)
Other versions
CN113222038A (zh
Inventor
吴振洲
沈华清
耿佳慧
任艺柯
杨春宇
代双凤
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.)
Beijing Ande Yizhi Technology Co ltd
Original Assignee
Beijing Ande Yizhi Technology 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 Beijing Ande Yizhi Technology Co ltd filed Critical Beijing Ande Yizhi Technology Co ltd
Priority to CN202110564671.0A priority Critical patent/CN113222038B/zh
Publication of CN113222038A publication Critical patent/CN113222038A/zh
Application granted granted Critical
Publication of CN113222038B publication Critical patent/CN113222038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本公开涉及一种基于核磁图像的乳腺病灶分类和定位方法及装置，所述方法包括：将目标器官的多组图像序列融合所得的待处理的第一图像序列，先进行二维分割处理，再进行三维分割处理，并将得到的三维分割结果中各连通区域进行合并，得到合并后的多个第一病灶子区域；最后，根据第一病灶子区域和目标器官的多组图像序列，对第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别，该类别包括一个假阳类别和多个征象类别。根据本公开实施例，能够从乳腺核磁图像序列中快速准确地识别出病灶，并给出病灶的参考类型，可以大大节省医生的看片时间，有助于提高医生的工作效率和准确率。

Description

基于核磁图像的乳腺病灶分类和定位方法及装置
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种基于核磁图像的乳腺病灶分类和定位方法及装置。
背景技术
乳腺癌作为常见的恶性肿瘤之一，其发病率呈逐年上升趋势，且发病年龄也越来越年轻化，严重危害女性的生理和心理健康。乳腺癌的早期发现、早期诊断和早期治疗是改善预后的重要因素，因此，早期的乳腺癌筛查和检测越来越重要。
核磁共振成像(Magnetic Resonance Imaging，MRI)是一种利用核磁共振原理的影像检查方式，具有成像参数多，组织分辨率高等特点。对脑、甲状腺、肝、胆、脾、肾、胰、肾上腺、子宫、卵巢、前列腺等实质器官以及心脏和大血管有较好的诊断功能。针对危害中国女性生命健康的乳腺癌，通过核磁共振精准筛查，可以帮助发现乳腺癌早期病灶。但是，核磁图像存在图像序列多，会造成医生的阅片时间比较长。此外，在乳腺癌图像序列的分析过程中，由于乳腺病灶的多样性和复杂性，对医生的诊断水平和临床经验要求比较高，低年资医生很难准确并快速地检测和分析乳腺病灶。
发明内容
有鉴于此，本公开提出了一种基于核磁图像的乳腺病灶分类和定位方法及装置。
根据本公开的一方面，提供了一种病灶分类方法，所述方法包括：将目标器官的多组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列；将所述待处理的第一图像序列中各帧图像分别输入二维分割网络，得到所述第一图像序列的二维分割结果，其中，所述二维分割结果包括各帧图像中所述目标器官中的病灶对应的第一病灶区域；将所述第一图像序列中各帧图像与所述二维分割结果中对应帧的图像进行融合，得到第二图像序列；将所述第二图像序列输入三维分割网络，得到第二图像序列的三维分割结果，其中，所述三维分割结果包括所述目标器官中的病灶对应的第二病灶区域；根据所述第二病灶区域中各连通区域间的距离，将病灶区域中各连通区域进行合并，得到合并后的多个第一病灶子区域；根据所述第一病灶子区域和所述目标器官的多组图像序列，对所述第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别，所述类别包括一个假阳类别和多个征象类别，其中，每一个第二病灶子区域对应一个病灶。
在一种可能的实现方式中，所述将目标器官的多组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列，包括：从所述目标器官的多组图像序列中，选取所述目标器官在未注射造影剂的情况下采集的图像序列，以及所述目标器官在注射造影剂的情况下采集的M组图像序列，其中，M为大于1的整数；将未注射造影剂的图像序列，M组图像序列中第一组图像序列和第M组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列。
在一种可能的实现方式中，根据所述第二病灶区域中各连通区域间的距离，将病灶区域中各连通区域进行合并，得到合并后的多个第一病灶子区域，包括：对第二病灶区域中各连通区域进行膨胀处理，得到多个膨胀区域；将所述病灶区域中各膨胀区域间的距离小于第一距离阈值的膨胀区域进行合并，得到合并后的多个合并区域；将多个合并区域中小于区域阈值的合并区域删除，将剩余的各合并区域作为第一病灶子区域。
在一种可能的实现方式中，根据所述第一病灶子区域和所述目标器官的多组图像序列，对所述第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别，包括：将所述第一病灶子区域与所述目标器官的多组图像序列进行融合，得到加强病灶子区域；对所述加强病灶子区域进行预分类处理，得到所述加强病灶子区域的第一特征和所述加强病灶子区域的预分类类别；在相同预分类类别内的多个加强病灶子区域之间的距离小于或等于第二距离阈值，且所述多个加强病灶子区域的第一特征之间的距离小于或等于第三距离阈值的情况下，将所述多个加强病灶子区域，合并为第二病灶子区域；对合并处理后的各第二病灶子区域分别进行第二特征提取和第三特征提取，得到第二特征和第三特征；将所述第二特征和所述第三特征合并，得到所述第二病灶子区域的特征；根据所述第二病灶子区域的特征，对所述第二病灶子区域进行分类处理，确定所述第二病灶子区域的类别。
在一种可能的实现方式中，所述方法还包括：基于第二损失函数，对所述二维分割网络进行训练，得到训练好的二维分割网络；其中，所述第二损失函数包括第一参数和第二参数，所述第一参数用于调整所述二维分割网络输出结果为假阳性的比率，所述第二参数用于调整所述二维分割网络输出结果为假阴性的比率，所述第一参数的值大于所述第二参数的值。
在一种可能的实现方式中，所述方法还包括：根据所述第二病灶子区域中各像素点在图像坐标系中的位置以及所述图像坐标系的各个象限区域的位置，将所述第二病灶子区域中最多像素点所在的象限，确定所述第二病灶子区域所在的象限区域。
在一种可能的实现方式中，所述目标器官包括乳腺，所述图像序列包括乳腺的动态增强扫描序列、乳腺的扩散加权成像序列、乳腺的T1加权像序列、以及乳腺的T2加权像序列中的一种或多种。
根据本公开的一方面，提供了一种病灶分类装置，所述装置包括：第一融合模块，用于将目标器官的多组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列；二维分割模块，用于将所述待处理的第一图像序列中各帧图像分别输入二维分割网络，得到所述第一图像序列的二维分割结果，其中，所述二维分割结果包括各帧图像中所述目标器官中的病灶对应的第一病灶区域；第二融合模块，用于将所述第一图像序列中各帧图像与所述二维分割结果中对应帧的图像进行融合，得到第二图像序列；三维分割模块，用于将所述第二图像序列输入三维分割网络，得到第二图像序列的三维分割结果，其中，所述三维分割结果包括所述目标器官中的病灶对应的第二病灶区域；合并模块，用于根据所述第二病灶区域中各连通区域间的距离，将病灶区域中各连通区域进行合并，得到合并后的多个第一病灶子区域；再合并及分类模块，用于根据所述第一病灶子区域和所述目标器官的多组图像序列，对所述第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别，所述类别包括一个假阳类别和多个征象类别，其中，每一个第二病灶子区域对应一个病灶。
在一种可能的实现方式中，第一融合模块用于：从所述目标器官的多组图像序列中，选取所述目标器官在未注射造影剂的情况下采集的图像序列，以及所述目标器官在注射造影剂的情况下采集的M组图像序列，其中，M为大于1的整数；将未注射造影剂的图像序列、M组图像序列中第一组图像序列和第M组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列。
在一种可能的实现方式中，合并模块用于：对第二病灶区域中各连通区域进行膨胀处理，得到多个膨胀区域；将所述病灶区域中各膨胀区域间的距离小于第一距离阈值的膨胀区域进行合并，得到合并后的多个合并区域；将多个合并区域中小于区域阈值的合并区域删除，将剩余的各合并区域作为第一病灶子区域。
在一种可能的实现方式中，再合并及分类模块用于：将所述第一病灶子区域与所述目标器官的多组图像序列进行融合，得到加强病灶子区域；对所述加强病灶子区域进行预分类处理，得到所述加强病灶子区域的第一特征和所述加强病灶子区域的预分类类别；在相同预分类类别内的多个加强病灶子区域之间的距离小于或等于第二距离阈值，且所述多个加强病灶子区域的第一特征之间的距离小于或等于第三距离阈值的情况下，将所述多个加强病灶子区域，合并为第二病灶子区域；对合并处理后的各第二病灶子区域分别进行第二特征提取和第三特征提取，得到第二特征和第三特征；将所述第二特征和所述第三特征合并，得到所述第二病灶子区域的特征；根据所述第二病灶子区域的特征，对所述第二病灶子区域进行分类处理，确定所述第二病灶子区域的类别。
在一种可能的实现方式中，所述装置还包括：第二训练模块，用于基于第二损失函数，对所述二维分割网络进行训练，得到训练好的二维分割网络；其中，所述第二损失函数包括第一参数和第二参数，所述第一参数用于调整所述二维分割网络输出结果为假阳性的比率，所述第二参数用于调整所述二维分割网络输出结果为假阴性的比率，所述第一参数的值大于所述第二参数的值。
在一种可能的实现方式中，所述装置还包括定位模块：用于根据所述第二病灶子区域中各像素点在图像坐标系中的位置以及所述图像坐标系的各个象限区域的位置，将所述第二病灶子区域中最多像素点所在的象限，确定所述第二病灶子区域所在的象限区域。
在一种可能的实现方式中，所述目标器官包括乳腺，所述图像序列包括乳腺的动态增强扫描序列、乳腺的扩散加权成像序列、乳腺的T1加权像序列、以及乳腺的T2加权像序列中的一种或多种。
根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述的方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过对目标器官的多组图像序列进行融合处理，得到待处理的第一图像序列，再将待处理的第一图像序列输入二维分割网络，得到二维分割结果，并将二维分割结果与第一图像序列进行融合，得到第二图像序列，然后再将第二图像序列输入三维分割网络，得到三维分割结果，并将三维分割结果中各连通区域进行合并，得到合并后的多个第一病灶子区域，最后，根据第一病灶子区域和目标器官的多组图像序列，对第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别。该方法能够从乳腺核磁图像序列中快速准确地识别出病灶，并给出病灶的参考类型，可以大大节省医生的看片时间，有助于提高医生的工作效率和准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开实施例的病灶分类方法的流程图；
图2示出根据本公开实施例的病灶分类及定位方法的示意图；
图3示出根据本公开实施例的二维分割网络的示意；
图4示出根据本公开实施例的病灶定位方法的示意图；
图5示出根据本公开实施例的病灶检测装置的框图；
图6示出根据本公开实施例的电子设备的框图；
图7示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
应当理解，本公开的权利要求、说明书及附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的病灶分类方法的流程图，如图1所示，所述方法包括：
在步骤S1中，将目标器官的多组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列。
在步骤S2中，将所述待处理的第一图像序列中各帧图像分别输入二维分割网络，得到所述第一图像序列的二维分割结果，其中，所述二维分割结果包括各帧图像中所述目标器官中的病灶对应的第一病灶区域。
在步骤S3中，将所述第一图像序列中各帧图像与所述二维分割结果中对应帧的图像进行融合，得到第二图像序列。
在步骤S4中，将所述第二图像序列输入三维分割网络，得到第二图像序列的三维分割结果，其中，所述三维分割结果包括所述目标器官中的病灶对应的第二病灶区域。
在步骤S5中，根据所述第二病灶区域中各连通区域间的距离，将病灶区域中各连通区域进行合并，得到合并后的多个第一病灶子区域。
在步骤S6中，根据所述病灶第一子区域和所述目标器官的多组图像序列，对所述第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别，所述类别包括一个假阳类别和多个征象类别，其中，每一个第二病灶子区域对应一个病灶。
在一种可能的实现方式中，所述病灶分类方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端等，其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该病灶分类方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该方法。
在一种可能的实现方式中，待处理图像序列可为医学图像序列，该医学图像序列可以是各种类型的医疗设备拍摄的图像序列，或者，用于医疗诊断的图像序列，例如，核磁共振(Magnetic Resonance Imaging，MRI)图像序列，或者电子计算机断层扫描(ComputedTomography，CT)图像序列等。本公开对待处理图像序列的类型及具体获取方式不作限制。
在一种可能的实现方式中，所述待处理图像序列包括器官、以及器官上的病灶，例如所述待处理图像序列为乳腺的核磁图像序列，待处理图像序列中的器官可以是乳腺，器官上的病灶可以是腺病、纤维腺瘤、乳腺炎、导管内乳头状瘤、叶状肿瘤、原位癌、浸润性癌、肿大的淋巴结，点状强化，乳管扩张或出血等异常病灶。应当理解，本公开对具体的器官类型和器官上的病灶类型不作限制。其中，器官上的病灶可以有一个或多个，本公开对器官上的病灶个数不作限制。
在一种可能的实现方式中，待处理图像序列可为核磁图像序列，所述目标器官例如包括乳腺，所述图像序列例如包括乳腺的动态增强扫描(Dynamic ContrastEnhancement，DCE)序列、乳腺的扩散加权成像(Diffusion Weighted Imaging，DWI)序列、乳腺的T1加权像(T1 Weighted Imaging，T1WI)序列、以及乳腺的T2加权像(T2 WeightedImaging，T2WI)序列中的一种或多种。
其中，DCE序列可具有高分辨率图像和动态信息表达能力，可用于观察病灶内部结构和边缘形态。DWI序列可通过观测水分子的微观运动来揭示组织病变；T1WI序列为动态增强扫描前不施加脂肪抑制的T1对比扫描，可用于观察解剖结构；T2WI序列为动态增强扫描前施加脂肪抑制的T2对比扫描，可用于观察组织病变。
在一种可能的实现方式中，在步骤S1中，可将目标器官的多组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列。例如，假设目标器官为乳腺，可以将乳腺被注射造影剂之前的图像序列与注射造影剂之后的图像序列进行融合处理，也可以从乳腺的DCE序列、DWI序列、T1WI序列和T2WI序列中，选取任意组图像序列进行融合，本公开对待融合图像序列的类型和组数不作限制。
其中，在多组图像序列进行融合的过程中，可以采用通道拼接的方式进行融合，也可以采用将图像对应位置处各像素的像素值相加的方式进行融合，本公开对图像融合的具体方式不作限制。
通过对目标器官的多组图像序列进行融合处理，可充分利用多组图像序列的图像内容信息，便于提高后续步骤中病灶识别的准确率。
在一种可能的实现方式中，在步骤S2中，可利用预先训练好的二维分割网络，对第一图像序列中各帧图像进行二维分割处理，通过将待处理的第一图像序列中各帧图像分别输入训练好的二维分割网络，可得到第一图像序列的二维分割结果，该结果可包括各帧图像中病灶对应的第一病灶区域，以及第一病灶区域以外的背景区域，例如，得到的二维分割结果可以是区分第一病灶区域和背景区域的二值图像，可将第一病灶区域内各像素的像素值标记为1，将背景区域内各像素的像素值标记为0。
在一种可能的实现方式中，可预先设置二维分割网络，用于对待处理的第一图像序列中各帧图像进行二维分割处理，从待处理的第一图像序列中，确定出病灶对应的第一病灶区域。二维分割网络可以是深度卷积神经网络，包括多个卷积层、多个反卷积层、全连接层等，具体可采用的二维分割网络包括并不限于U形网络(U Network，U-NET)、V形网络(VNetwork，V-NET)等网络结构，本公开对二维分割网络的具体网络结构不作限制。
其中，可设置一个随机数作为网络参数的初始值，通过训练集的样本图像训练该网络的参数，再由验证集检测该网络的分割误差，调整该网络的参数，重复上述过程，直到该网络在验证集上误差最小，得到训练好的分割网络。其中，可以通过梯度下降法来调节分割网络的网络参数，使得网络参数优化，提升分割网络的准确率。在得到训练好的分割网络之后，可通过测试集的样本图像来评估训练好的分割网络的性能。
其中，训练数据可由具有医学背景的专业人士在高年资医生的审核下标注医学图像序列(例如，人工标注的)，建立样本图像库，并按照预设比例(例如8:1:1)将各样本图像划分为训练集、验证集和测试集，本公开对预设比例的取值不作限定。
在一种可能的实现方式中，在步骤S3中，可将步骤S2中得到的第一图像序列中各帧图像的二维分割结果，分别与第一图像序列中对应的各帧图像进行融合，得到第二图像序列。其中，在第一图像序列与二维分割结果进行融合的过程中，可以采用通道拼接的方式进行融合，也可以采用将图像对应位置处各像素的像素值相加的方式进行融合，本公开对融合的具体方式不作限制。
在一种可能的实现方式中，在步骤S4中，可利用预先训练好的三维分割网络，对S3步骤得到的第二图像序列进行三维分割处理。可将第二图像序列整体作为一个三维图像数据，通过将该三维图像数据输入训练好的三维分割网络，得到第二图像序列的三维分割结果，该结果包括病灶对应的第二病灶区域，以及第二病灶区域以外的背景区域，例如，三维分割结果可以是区分第二病灶区域和背景区域的二值图像。
应当理解，本公开可预先设置三维分割网络(例如包括3D U-NET等网络)，通过对三维分割网络进行训练，得到训练好的三维分割网络，具体可参考步骤S2中对二维分割网络的训练过程，此处不再赘叙。
通过三维分割处理，充分考虑病灶在第三维(帧图像序列所在的维度方向)的空间形态，可作为步骤S2中二维分割结果的修正，使经过三维分割所得到的第二病灶区域更精准，可提高病灶识别的精度，有助于后续步骤对病灶的精准分类。
在一种可能的实现方式中，在步骤S5中，第二病灶区域中包括了多个连通区域，在这些连通区域中，某些距离比较近，并且特征比较相似的连通区域属于同一个病灶，可根据各连通区域间的距离，将病灶区域中各连通区域进行合并处理，得到合并后的多个第一病灶子区域。例如，可使用聚类算法，根据第二病灶区域中各连通区域间的距离，将病灶区域中各连通区域进行合并，得到合并后的多个第一病灶子区域。
应当理解，聚类算法例如包括层次聚类法(Hierarchical Clustering)、具有噪声的基于密度的聚类法(Density-Based Spatial Clustering of Applications withNoise，DBSCAN)等聚类方法，本公开对具体的聚类算法不作限制。
通过这种方式，可以将第二病灶区域中分割不好、效果零散的区域进行整合，得到更精准的病灶区域。
在一种可能的实现方式中，在步骤S6中，根据第一病灶子区域和目标器官的多组图像序列，对病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别，该类别可包括一个假阳类别和多个征象类别。
举例来说，假设目标器官为乳腺，可根据步骤S1～S5得到的第一病灶子区域和乳腺的多组图像序列，对第一病灶子区域进行再合并及分类处理。可以先根据第一病灶子区域和乳腺的多组图像序列，对第一病灶子区域进行预分类处理，得到各第一病灶子区域的第一特征和预分类类别。然后根据各第一病灶子区域的第一特征和预分类类别，对相同预分类类别内的多个第一病灶子区域进行再次合并，得到合并后的第二病灶子区域，每个第二病灶子区域可对应一个病灶。在得到第二病灶子区域之后，可对第二病灶子区域进行特征提取，再根据提取的特征进行分类处理。本公开对具体的分类方法不作限制。
通过对乳腺图像上的病灶子区域进行分类处理，可确定病灶子区域的类别，例如可包括一个假阳类别和多个征象类别，即：假阳类别、腺病类别、纤维腺瘤类别、乳腺炎类别、导管内乳头状瘤类别、叶状肿瘤类别、原位癌类别、浸润性癌类别、肿大的淋巴结类别，点状强化类别，乳管扩张类别或出血等异常病灶类别。应当理解，本公开对具体的征象类别以及征象类别的数量不作限制。
因此，通过步骤S1～S6方法，能够从乳腺核磁图像序列中快速准确地识别出病灶，并给出病灶的参考类型，可以大大节省医生的看片时间，有助于提高医生的工作效率和准确率。
其中，通过步骤S1～S6方法可得到目标器官上每一个病灶所在的区域，本公开方法还可以对确定的每一个病灶进行定位处理。
在一种可能的实现方式中，根据所述第二病灶子区域中各像素点在图像坐标系中的位置以及所述图像坐标系的各个象限区域的位置，将所述第二病灶子区域中最多像素点所在的象限，确定所述第二病灶子区域所在的象限区域。
举例来说，在目标器官的图像序列中，针对各帧图像，可以选择某一特征点作为原点，然后以水平方向轴作为x轴，以垂直方式的轴作为y轴建立坐标系，通过x轴和y轴可以将各帧图像分为四个区域，右上的区域称为第一象限，左上的区域称为第二象限，左下的区域称为第三象限，右下的区域称为第四象限。
根据第二病灶子区域中各像素点在图像坐标系中的位置，以及图像坐标系的各个象限区域的位置，可确定第二病灶子区域所在的象限区域。对每一个第二病灶子区域，可将第二病灶子区域中最多像素点所在的象限，确定为第二病灶子区域的象限。
通过这种方式，可实现对病灶的快速定位，能够帮助医生快速有效地找到病灶的位置，提高医生的工作效率。
下面以乳腺的核磁图像序列为例，参照图2示出的根据本公开实施例的病灶分类及定位方法的示意图，对本公开实施例的病灶分类方法进行展开说明。应当理解，本公开实施例的病灶分类方法可适用于各种目标器官的医学图像序列，对具体的目标器官的类型以及医学图像序列的类型不作限制。
在步骤S1之前，可对获取的医学数字成像和通信(Digital Imaging andCommunications in Medicine，DICOM)标准的多组乳腺的核磁图像序列进行解析，即通过读取DICOM标准的图像序列参数，可确定出各组乳腺的核磁图像序列的具体的类型，例如包括DCE序列、T1WI序列、T2WI序列、或者DWI序列。
可根据各组图像序列的内置参数(包括扫描间隔，起止点，图像分辨率等)，对多组图像序列进行配准操作，将各组图像序列中的每一帧图像固定到同一图像大小，得到配准后的多组图像序列。
得到配准后的多组图像序列，就可以在步骤S1中，将多组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列。
在一种可能的实现方式中，步骤S1可包括：从所述目标器官的多组图像序列中，选取所述目标器官在未注射造影剂的情况下采集的图像序列，以及所述目标器官在注射造影剂的情况下采集的M组图像序列，其中，M为大于1的整数。
将未注射造影剂的图像序列，M组图像序列中第一组图像序列和第M组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列。
举例来说，假设目标器官为乳腺，获取的乳腺核磁的多组图像序列中，可包括7组DCE序列，即在乳腺未注射造影剂的情况下，采集了1组图像序列，然后对乳腺注射造影剂，又采集了6组(即M＝6)图像序列。
选取未注射造影剂的图像序列，并从注射了造影剂的6组图像序列中，选取第1组图像序列和第6组(最后一组)图像序列。然后，将选取的三组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列。
应当理解，本公开对图像融合的方式不作限制，可以采用通道拼接的方式对图像进行融合，也可以采用将图像中对应位置处各像素的像素值相加的方式进行融合。
通过这种方式，可对目标器官的多组图像序列进行融合处理，可充分利用各组图像序列的图像内容信息，有利于提高后续步骤病灶识别的准确率。
在步骤S1得到第一图像序列之后，可在步骤S2中将该序列中的各帧图像分别输入二维分割网络，得到第一图像序列的二维分割结果。
在一种可能实现的方式中，图3示出根据本公开实施例的二维分割网络的示意图，如图3所示，二维分割网络可以为U形网络。在该U形网络的编码阶段，可包括编码网络块N11～N14；在该U形网络的解码阶段，可包括解码网络块N21～N24；在该U形网络的输出阶段，可包括输出网络块N3。
其中，每个编码网络块N11～N14和解码网络块N21～N24可包括两个卷积层(图3中横向黑色箭头)，输出网络块N3可包括三个卷积层，每个卷积层可包括滤波器尺寸为3*3，步长为1的卷积。
如图3所示，在该U形网络的编码阶段，每个编码网络块N11～N14还可包括下采样层(图3中向下的箭头)，每个下采样层可以包括最大池化单元(Max Pool)。其中，最大池化单元的池化窗可以设置为2×2，也即在各帧图像的宽度和高度方向的池化范围为2×2。
如图3所示，在该U形网络的解码阶段，每个解码网络块N21～N24还可包括上采样层(图3中向上的箭头)，每个上采样层可以包括上采样单元(Up Sample)。其中，上采样单元的上采样窗可以设置为2×2，其中，上采样方法可以包括最近邻上采样、双线性插值法，本公开对具体的上采样方法不作限制。
如图3所示，该U网形络以串联的方式(图3中横向白色箭头)，将编码阶段各个编码网络块N11～N14未进行下采样前的输出，与对应的解码阶段各解码网络块N21～N24的输出进行汇聚，用于在多分辨率下进行区域性质分析。例如，编码网络块N11中第二个卷积层输出数据和解码网络块N24的输出数据进行汇聚，作为输出网络块N3的输入数据。
根据如图3所示的二维分割网络，将第一图像序列中的各帧图像分别输入二维分割网络，可得到第一图像序列的二维分割结果。
应当理解，二维分割网络还可以是膨胀U形网络(Dilated U-NET)，基于注意力的U形网络(Attention U-NET)等，本公开对具体的二维分割网络不作限制。
本公开可以将各帧图像单独输入二维分割网络，也可以将各帧图像以批(batch)数据方式输入二维分割网络中，本公开对将第一图像序列中的各帧图像分别输入二维分割网络的输入方式不作限制。
在一种可能实现的方式中，基于第二损失函数，对所述二维分割网络进行训练，得到训练好的二维分割网络；
其中，所述第二损失函数包括第一参数和第二参数，所述第一参数用于调整所述二维分割网络输出结果为假阳性的比率，所述第二参数用于调整所述二维分割网络输出结果为假阴性的比率，所述第一参数的值大于所述第二参数的值。
举例来说，可基于第二损失函数loss2，对二维分割网络进行训练，得到训练好的二维分割网络。也即，可将训练集中的样本图像输入二维分割网络，得到预测的二维分割结果，再根据预测的二维分割结果、金标准(例如由高年资医生标注的分割结果)、第二损失函数loss2，确定第二损失，并根据第二损失训练二维分割网络。
其中，第二损失函数loss2，可以表示为：
Figure BDA0003080486020000111
在公式(1)中，P代表二维分割网络输出的预测二维分割结果，G代表金标准，α代表第一参数，用于调整二维分割网络输出结果为假阳性的比率，β代表第二参数，用于调整所述二维分割网络输出结果为假阴性的比率。
通过调整第一参数α和第二参数β的权重可以控制假阳性和假阴性之间的权衡。例如，可以将第一参数α和第二参数β设置为α＝0.8和β＝0.2，保证更高的召回率。
应当理解，在保证第一参数α的值大于第二参数β的值的情况下，本公开对第一参数α和第二参数β的具体取值不作限制，可根据经验设定。
通过这种方式，通过训练好的二维分割网络对图像进行二维分割处理，可以提高分割结果的召回率。
在步骤S2得到的二维分割结果后，可在步骤S3中将二维分割结果与第一图像序列融合，得到第二图像序列。
其中，在第一图像序列中各帧图像与二维分割结果中对应帧图像进行融合的过程中，可以采用通道拼接的方式进行融合，也可以采用将图像对应位置处各像素的像素值相加的方式进行融合，本公开对融合的具体方式不作限制。
通过这种方式，可在后续步骤再次进行分割处理的过程中，可充分利用二维分割结果和第一图像序列的信息，有利于提高后续步骤分割的精准度。
在步骤S3得到第二图像序列之后，可在步骤S4中将该序列输入三维分割网络，得到第二图像序列的三维分割结果。
可利用预先训练好的三维分割网络，对第二图像序列进行三维分割处理，得到第二图像序列的三维分割结果，该结果包括病灶对应的第二病灶区域，以及第二病灶区域以外的背景区域。
应当理解，本公开可预先设置三维分割网络，对三维分割网络进行训练，具体的训练过程可参考步骤S2中对二维分割网络的训练过程，此处不再赘叙。
在数据量有限的情况下，三维分割的效果往往不太好，而二维分割会存在考虑不到第三维的组织空间形态的问题。先在步骤S2中进行二维分割，再在步骤S4中进行三维分割的策略可以融合二者的长处，得到更准确的分割结果。
在步骤S4得到三维分割结果之后，可在步骤S5中根据三维分割结果中各连通区域间的距离，将各连通区域进行合并，得到合并后的多个病灶子区域
在一种可能的实现方式中，步骤S5可包括：对第二病灶区域中各连通区域进行膨胀处理，得到多个膨胀区域；将所述病灶区域中各膨胀区域间的距离小于第一距离阈值的膨胀区域进行合并，得到合并后的多个合并区域；将多个合并区域中小于区域阈值的合并区域删除，将剩余的各合并区域作为第一病灶子区域。
举例来说，第二病灶区域可包括多个连通域，可对各连通区域进行膨胀处理，将一些分割不好、不连续的区域合并到一起，得到多个膨胀区域。其中，本公开对具体膨胀处理的方法不作限制，可对各连通区域进行形态学膨胀处理；也可以通过预设膨胀系数，对各连通区域进行区域扩展。
可预设第一距离，并计算各膨胀区域间的距离，将各膨胀区域间的距离小于第一距离阈值的膨胀区域进行合并，得到多个合并区域。例如，可预设第一距离，通过层次聚类法(Hierarchical Clustering)、具有噪声的基于密度的聚类法(Density-Based SpatialClustering of Applications with Noise，DBSCAN)等聚类方法，在膨胀处理的基础上，将分割不好、效果零散的地方进行进一步的整合，得到合并后的多个合并区域。应当理解，本公开对具体的合并方法不作限制，可以是聚类方法，也可以是其他合并方法。
可依据医生的临床经验预设一个区域阈值，删除多个合并区域中小于该区域阈值的合并区域，剩余的各合并区域可作为第一病灶子区域。例如，可将区域阈值设置为50，统计各合并区域的像素数量，将合并区域中像素数量小于50的区域删除，也即将各合并区域中为假阳的细小孤立的区域删除，得到第一病灶子区域。应当理解，本公开对区域阈值的具体取值不作限制，可依据医生的临床经验设定。
通过这种方法，可将第二病灶区域中分割不好、效果零散的地方进行整合，并可删除一些细小的孤立区域，减少第二病灶区域中可能存在的部分假阳区域，提高病灶识别的精准度。
对于一些非肿块病灶，经过步骤S2～S4的两次分割处理后，分割的输出病灶可能是零散的、不连续的，通过如步骤S5中方法(例如包括聚类算法)可能也无法将它们较好的合并起来。因此，在步骤S5得到第一病灶子区域之后，可在步骤S6中对第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别。
在一种可能的实现方式中，步骤S6可包括：
步骤S61，将所述第一病灶子区域与所述目标器官的多组图像序列进行融合，得到加强病灶子区域；
步骤S62，对所述加强病灶子区域进行预分类处理，得到所述加强病灶子区域的第一特征和所述加强病灶子区域的预分类类别；
步骤S63，在相同预分类类别内的多个加强病灶子区域之间的距离小于或等于第二距离阈值，且所述多个加强病灶子区域的第一特征之间的距离小于或等于第三距离阈值的情况下，将所述多个加强病灶子区域，合并为第二病灶子区域；
步骤S64，对合并处理后的各第二病灶子区域分别进行第二特征提取和第三特征提取，得到第二特征和第三特征；
步骤S65，将所述第二特征和所述第三特征合并，得到所述第二病灶子区域的特征；
步骤S66，根据所述第二病灶子区域的特征，对所述第二病灶子区域进行分类处理，确定所述第二病灶子区域的类别。
举例来说，在步骤S61中，将第一病灶子区域与乳腺的多组图像序列(例如包括DCE序列、T1WI序列、T2WI序列、或者DWI序列)进行融合，得到加强病灶子区域；
其中，在第一病灶子区域与乳腺的多组图像序列进行融合的过程中，可以采用通道拼接的方式进行融合，也可以采用将图像对应位置处各像素的像素值相加的方式进行融合，本公开对图像融合的具体方式不作限制。
通过对第一病灶子区域与乳腺的多组图像序列进行融合处理，不仅可充分利用多组图像序列的图像内容信息，还综合考虑了图像的全局和局部信息，有利于在后续步骤中，提高对融合所得的加强病灶子区域识别的准确率。
在步骤S62中，可将加强病灶子区域输入训练好的预分类网络，利用训练好的预分类网络，对加强病灶子区域进行预分类处理，得到所述加强病灶子区域的第一特征和所述加强病灶子区域的预分类类别。
例如，可先利用训练好的预分类网络对加强病灶子区域进行第一特征提取，得到第一特征，然后再利用得到的第一特征，确定加强病灶子区域的预分类类别。
其中，预分类模型训练集的备选类别可包括医生标注的腺病、纤维腺瘤、乳腺炎、导管内乳头状瘤、叶状肿瘤、原位癌、浸润性癌、肿大的淋巴结，点状强化，乳管扩张或出血等病灶类别，及假阳性病灶类别，本公开对预分类的分类不作限制。
其中，在训练集的样本图像中，如果样本图像(例如包括第一病灶子区域的图像)的病灶区域A和医生标注病灶区域B的重叠度(A∩B)/(A∪B)，小于或等于设定比例C的情况下，可将其确定为假阳性病灶类别，本公开对设定比例C的阈值不作限制，可根据医生的临床经验确定。
其中，可基于第一损失函数，对预分类网络进行训练，得到训练好的预分类网络。应当理解，第一损失函数例如包括交叉熵损失函数(Cross Entropy Loss)、预分类网络例如包括卷积神经网络(Convolutional Neural Networks，CNN)，本公开对第一损失函数和预分类网络的网络类型不作限制。
在步骤S63中，由于在步骤S62得到的各加强病灶子区域的预分类类别，可以相同也可以不同。可在相同预分类类别内的多个加强病灶子区域之间的距离(例如包括多个加强病灶子区域中心点之间的距离，或者多个加强病灶子区域表面最近点之间的距离)小于或等于第二距离阈值，且多个加强病灶子区域的第一特征之间的距离(例如包括代表第一特征的特征向量的向量距离)小于或等于第三距离阈值的情况下，将多个加强病灶子区域，进行合并处理，合并后的加强病灶子区域也即第二病灶子区域。
应当理解，本公开对具体的距离度量方式不作限制，可以是余弦相似度(CosineSimilarity)、欧式距离(Euclidean Distance)、马氏距离(Mahalanobis Distance)、曼哈顿距离(Manhattan Distance)或其他距离度量方式。
通过综合考虑相同预分类类别内加强病灶子区域之间的距离以及第一特征之间的距离，可以更好地判断分割出来的病灶块是不是属于同一个病灶，可以进一步将分割效果不好、结果零散的加强病灶子区域重新组合起来，有利于还原原始的病灶样貌。
在步骤S63得到第二病灶子区域之后，在步骤S64中，可以利用影像组学方法(Radiomics)对第二病灶子区域进行第二特征提取，得到第二病灶子区域的第二特征；其中，本公开提取的第二特征可包括：基于统计学的(Statistics-based)的特征，基于形状(Shape-based)的特征、基于灰度特征等，本公开对具体的提取第二特征的方法不作限制。
还可以利用卷积神经网络的方法(Convolutional Neural Networks，CNN)对第二病灶子区域进行第三特征提取，得到第二病灶子区域的第三特征。例如，可预先训练一个用于特征提取的三维卷积神经网络，将第二病灶子区域输入训练好的卷积神经网络进行特征提取，得到第三特征。其中，三维卷积神经网络可包括DenseNet、ResNet、GoogleNet等卷积神经网络，本公开对具体网络的类型不作限制。
通过将影像组学提取的特征与卷积神经网络提取的特征进行合并，可以有效的规避卷积神经网络出现的错误，对卷积神经网络产生的假阳结果的剔除，有比较好的补充作用。
在步骤S65中，将第二特征和第三特征进行合并处理，合并后的特征也即第二病灶子区域的特征。
在步骤S66中，根据得到的第二病灶子区域的特征，可对第二病灶子区域进行分类处理，确定每一个第二病灶子区域的类别。例如，可将第二病灶子区域的特征输入至一个训练好的分类模型，利用该分类模型对第二病灶子区域进行分类处理。
分类模型可以是多分类模型，可输出关于第二病灶子区域属于多个类别的概率，可将最大概率值的类别，确定为第二病灶子区域的类别。分类模型还可以是多个二分类模型，可给出第二病灶子区域属于不同类别的概率值。也即，在某几类概率大于预设分类阈值的情况下，可输出所有大于预设分类阈值的类别，作为第二病灶子区域的类别；在所有类别的概率都小于预设分类阈值的情况下，输出“无法判断”的结果。
应当理解，本公开的分类模型可以是随机森林模型(Random Forest)，也可以是梯度提升决策树模型(Gradient Boosting Decision Tree，GBDT)，本公开对具体的分类模型不作限制。
其中，第二病灶子区域的类别可包括一个假阳类别和多个征象类别，即：假阳类别、腺病类别、纤维腺瘤类别、乳腺炎类别、导管内乳头状瘤类别、叶状肿瘤类别、原位癌类别、浸润性癌类别、肿大的淋巴结类别，点状强化类别，乳管扩张类别或出血等异常病灶类别。应当理解，本公开对具体的征象类别以及征象类别的数量不作限制。
通过这种方式，第一病灶子区域与目标器官的多组图像序列融合所得的加强病灶子区域，可充分利用多组图像序列的信息。然后，通过对第一病灶子区域预分类得到的预分类类别和第一特征，可对加强病灶子区域进行再次合并处理，可以将分割效果不连续、结果零散的病灶重新组合起来，尽量还原原始的病灶样貌。相较于对未合并的加强病灶子区域进行特征提取，对合并后的第二病灶子区域进行特征提取，可有效降低局部偏差，提高特征提取的准确性，可使分类过程中对病灶获得更整体而非局部的印象，从而获得更好的分类效果。而且，对再次合并后的第二病灶子区域提取特征，不需要对多个未合并的每一个小病灶进行耗时较长的第二特征提取，可降低特征提取的运算时间，提高分类效率。因此，上述方法可快速准确地给出病灶的参考类型，可节省医生的看片时间，提高医生的工作效率。
此外，通过步骤S1～S6方法可得到乳腺上各病灶的区域，本公开方法还可对各乳腺病灶进行定位处理。
图4示出根据本公开实施例的病灶定位方法的示意图，如图4所示，在乳腺图像序列中，针对各帧图像，可以选择以乳头作为原点，然后以经过原点的水平方向轴作为x轴，以经过原点的垂直方式的轴作为y轴建立坐标系，通过x轴和y轴可以将各帧图像分为四个象限。
如图4中左侧图片所示，针对左侧乳房，以左乳头为原点，以头颈方向为“上”，腹部方向为“下”，手臂方向为“外”，另一乳房方向为“内”。左侧乳房从右上的第一象限开始，沿着顺时针方法，依次将右上的第一象限命名为“内上”，左上的第二象限命名为“外上”，左下的第三象限命名为“外下”，右下的第四象限命名为“内下”。
如图4中右侧图片所示，针对右侧乳房，以右乳头为原点，以头颈方向为“上”，腹部方向为“下”，手臂方向为“外”，另一乳房方向为“内”。右侧乳房从右上的第一象限开始，沿着顺时针方法，依次将右上的第一象限命名为“外上”，左上的第二象限命名为“内上”，左下的第三象限命名为“内下”，右下的第四象限命名为“外下”。
通过上述方法，可确定图像坐标系的各个象限区域的位置，根据第二病灶子区域中各像素点的位置和各个象限区域的位置，可将第二病灶子区域中最多像素点所在的象限，确定为第二病灶子区域的象限区域。
例如，如图4中左侧图片所示，白色的不规则图形为一个第二病灶子区域，在该区域中，大部分的像素点属于“外上”象限，少部分像素点属于“内上”象限，可将第二病灶子区域中最多像素点所在的象限，也即“外上”象限确定为第二病灶子区域的象限。或者，如图4右侧图片所示，白色的散点图形为一个第二病灶子区域，在该第二病灶子区域中，可将第二病灶子区域中最多像素点所在的象限，也即“内上”象限，确定为第二病灶子区域的象限。
应当理解，本公开对第二病灶子区域确定位置的方法不作限制，也可以将第二病灶子区域的中心点所在的象限，确定为第二病灶子区域的象限区域。
通过这种方式，可实现对病灶的快速定位，能够帮助医生快速有效地找到病灶的位置，提高医生的工作效率。
综上，本公开实施例的病灶分类方法，可将病灶分类任务分成两个阶段，可在第一阶段(步骤S1～S5)先进行分割处理来获取高精度的病灶区域，再在第二阶段(步骤S6)进行分类处理得到病灶的类别。分割的结果不仅可以用于实现病灶的定位，还可以作为第二阶段分类过程中特征提取的输入数据，有利于提高分类的精准度。而且，可通过分别提高分割阶段和分类阶段的数据处理的准确度的方式，提高整体方法的准确度。
其中，在第一阶段(步骤S1～S5)可先对图像序列进行二维分割，再进行三维分割，并对两次分割后的结果做修正处理，通过这种方式，可以更多地把一些模糊区域或零散区域(例如非肿块病灶)参考进来，提高分割结果的召回率。并且，通过对两次分割后的结果做修正处理，可初步将分割不好、效果零散的地方进行整合，并可删除一些细小的孤立区域，减少可能存在的部分假阳区域，有利于提高后续进行病灶识别的精准度。
其中，在第二阶段(步骤S6)可对第一阶段的结果进行进一步的再合并处理，并对合并后的结果进行分类处理，得到病灶的类别。其中，可通过预分类得到的预分类类别和第一特征，对加强病灶子区域进行再次合并处理，进一步将分割效果不连续、结果零散的病灶重新组合起来，尽量还原原始的病灶样貌。然后对进一步合并后的区域进行特征提取，再利用提取的特征进行分类处理，可使分类过程中对病灶获得更整体而非局部的印象，有效降低了分类过程局部偏差，提高了特征提取的准确性，有效剔除了假阳病灶，从而获得更好的分类效果。而且，对再次合并后的区域提取特征，不需要对多个未合并的每一个小病灶进行耗时较长的第二特征提取，可降低特征提取的运算时间，提高分类效率。
通过第一阶段保证召回的分割方法和第二阶段可去假阳的分类方法的组合，可在分割过程中尽可能多的提取出可疑病灶区域，并在分类过程中剔除可疑区域，提高病灶识别的精准度。
因此，根据本公开实施例的病灶分类方法，能够对目标器官的多组图像序列进行融合处理，得到待处理的第一图像序列，再将待处理的第一图像序列输入二维分割网络，得到二维分割结果，并将二维分割结果与第一图像序列进行融合，得到第二图像序列，然后再将第二图像序列输入三维分割网络，得到三维分割结果，并将三维分割结果中各连通区域进行合并，得到合并后的多个第一病灶子区域，最后，根据第一病灶子区域和目标器官的多组图像序列，对第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别。该方法能够从乳腺核磁图像序列中快速准确地识别出病灶，并给出病灶的参考类型，可以大大节省医生的看片时间，有助于提高医生的工作效率和准确率。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了病灶分类装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种病灶分类方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的病灶分类装置的框图，如图5所示，所述装置包括：
第一融合模块51，用于将目标器官的多组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列。
二维分割模块52，用于将所述待处理的第一图像序列中各帧图像分别输入二维分割网络，得到所述第一图像序列的二维分割结果，其中，所述二维分割结果包括各帧图像中所述目标器官中的病灶对应的第一病灶区域。
第二融合模块53，用于将所述第一图像序列中各帧图像与所述二维分割结果中对应帧的图像进行融合，得到第二图像序列。
三维分割模块54，用于将所述第二图像序列输入三维分割网络，得到第二图像序列的三维分割结果，其中，所述三维分割结果包括所述目标器官中的病灶对应的第二病灶区域。
合并模块55，用于根据所述第二病灶区域中各连通区域间的距离，将病灶区域中各连通区域进行合并，得到合并后的多个第一病灶子区域。
再合并及分类模块56，用于根据所述第一病灶子区域和所述目标器官的多组图像序列，对所述第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别，所述类别包括一个假阳类别和多个征象类别，其中，每一个第二病灶子区域对应一个病灶。
在一种可能的实现方式中，第一融合模块51用于：从所述目标器官的多组图像序列中，选取所述目标器官在未注射造影剂的情况下采集的图像序列，以及所述目标器官在注射造影剂的情况下采集的M组图像序列，其中，M为大于1的整数；将未注射造影剂的图像序列、M组图像序列中第一组图像序列和第M组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列。
在一种可能的实现方式中，合并模块55用于：对第二病灶区域中各连通区域进行膨胀处理，得到多个膨胀区域；将所述病灶区域中各膨胀区域间的距离小于第一距离阈值的膨胀区域进行合并，得到合并后的多个合并区域；将多个合并区域中小于区域阈值的合并区域删除，将剩余的各合并区域作为第一病灶子区域。
在一种可能的实现方式中，再合并及分类模块56用于：将所述第一病灶子区域与所述目标器官的多组图像序列进行融合，得到加强病灶子区域；对所述加强病灶子区域进行预分类处理，得到所述加强病灶子区域的第一特征和所述加强病灶子区域的预分类类别；在相同预分类类别内的多个加强病灶子区域之间的距离小于或等于第二距离阈值，且所述多个加强病灶子区域的第一特征之间的距离小于或等于第三距离阈值的情况下，将所述多个加强病灶子区域，合并为第二病灶子区域；对合并处理后的各第二病灶子区域分别进行第二特征提取和第三特征提取，得到第二特征和第三特征；将所述第二特征和所述第三特征合并，得到所述第二病灶子区域的特征；根据所述第二病灶子区域的特征，对所述第二病灶子区域进行分类处理，确定所述第二病灶子区域的类别。
在一种可能的实现方式中，所述装置还包括：第二训练模块，用于基于第二损失函数，对所述二维分割网络进行训练，得到训练好的二维分割网络；其中，所述第二损失函数包括第一参数和第二参数，所述第一参数用于调整所述二维分割网络输出结果为假阳性的比率，所述第二参数用于调整所述二维分割网络输出结果为假阴性的比率，所述第一参数的值大于所述第二参数的值。
在一种可能的实现方式中，所述装置还包括定位模块：用于根据所述第二病灶子区域中各像素点在图像坐标系中的位置以及所述图像坐标系的各个象限区域的位置，将所述第二病灶子区域中最多像素点所在的象限，确定所述第二病灶子区域所在的象限区域。
在一种可能的实现方式中，所述目标器官包括乳腺，所述图像序列包括乳腺的动态增强扫描序列、乳腺的扩散加权成像序列、乳腺的T1加权像序列、以及乳腺的T2加权像序列中的一种或多种。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)，第三代移动通信技术(3G)，第四代移动通信技术(4G)或第五代移动通信技术(5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种病灶分类方法，其特征在于，所述方法包括：
将目标器官的多组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列；
将所述待处理的第一图像序列中各帧图像分别输入二维分割网络，得到所述第一图像序列的二维分割结果，其中，所述二维分割结果包括各帧图像中所述目标器官中的病灶对应的第一病灶区域；
将所述第一图像序列中各帧图像与所述二维分割结果中对应帧的图像进行融合，得到第二图像序列；
将所述第二图像序列输入三维分割网络，得到第二图像序列的三维分割结果，其中，所述三维分割结果包括所述目标器官中的病灶对应的第二病灶区域；
根据所述第二病灶区域中各连通区域间的距离，将病灶区域中各连通区域进行合并，得到合并后的多个第一病灶子区域；
根据所述第一病灶子区域和所述目标器官的多组图像序列，对所述第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别，所述类别包括一个假阳类别和多个征象类别，其中，每一个第二病灶子区域对应一个病灶。
2.根据权利要求1所述的方法，其特征在于，所述将目标器官的多组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列，包括：
从所述目标器官的多组图像序列中，选取所述目标器官在未注射造影剂的情况下采集的图像序列，以及所述目标器官在注射造影剂的情况下采集的M组图像序列，其中，M为大于1的整数；
将未注射造影剂的图像序列、M组图像序列中第一组图像序列和第M组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列。
3.根据权利要求1所述的方法，其特征在于，根据所述第二病灶区域中各连通区域间的距离，将病灶区域中各连通区域进行合并，得到合并后的多个第一病灶子区域，包括：
对第二病灶区域中各连通区域进行膨胀处理，得到多个膨胀区域；
将所述病灶区域中各膨胀区域间的距离小于第一距离阈值的膨胀区域进行合并，得到合并后的多个合并区域；
将多个合并区域中小于区域阈值的合并区域删除，将剩余的各合并区域作为第一病灶子区域。
4.根据权利要求1所述的方法，其特征在于，根据所述第一病灶子区域和所述目标器官的多组图像序列，对所述第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别，包括：
将所述第一病灶子区域与所述目标器官的多组图像序列进行融合，得到加强病灶子区域；
对所述加强病灶子区域进行预分类处理，得到所述加强病灶子区域的第一特征和所述加强病灶子区域的预分类类别；
在相同预分类类别内的多个加强病灶子区域之间的距离小于或等于第二距离阈值，且所述多个加强病灶子区域的第一特征之间的距离小于或等于第三距离阈值的情况下，将所述多个加强病灶子区域，合并为第二病灶子区域；
对合并处理后的各第二病灶子区域分别进行第二特征提取和第三特征提取，得到第二特征和第三特征；
将所述第二特征和所述第三特征合并，得到所述第二病灶子区域的特征；
根据所述第二病灶子区域的特征，对所述第二病灶子区域进行分类处理，确定所述第二病灶子区域的类别。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于第二损失函数，对所述二维分割网络进行训练，得到训练好的二维分割网络；
其中，所述第二损失函数包括第一参数和第二参数，所述第一参数用于调整所述二维分割网络输出结果为假阳性的比率，所述第二参数用于调整所述二维分割网络输出结果为假阴性的比率，所述第一参数的值大于所述第二参数的值。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述第二病灶子区域中各像素点在图像坐标系中的位置以及所述图像坐标系的各个象限区域的位置，将所述第二病灶子区域中最多像素点所在的象限，确定所述第二病灶子区域所在的象限区域。
7.根据权利要求1所述的方法，其特征在于，所述目标器官包括乳腺，所述图像序列包括乳腺的动态增强扫描序列、乳腺的扩散加权成像序列、乳腺的T1加权像序列、以及乳腺的T2加权像序列中的一种或多种。
8.一种病灶分类装置，其特征在于，所述装置包括：
第一融合模块，用于将目标器官的多组图像序列中对应位置的图像进行融合，得到待处理的第一图像序列；
二维分割模块，用于将所述待处理的第一图像序列中各帧图像分别输入二维分割网络，得到所述第一图像序列的二维分割结果，其中，所述二维分割结果包括各帧图像中所述目标器官中的病灶对应的第一病灶区域；
第二融合模块，用于将所述第一图像序列中各帧图像与所述二维分割结果中对应帧的图像进行融合，得到第二图像序列；
三维分割模块，用于将所述第二图像序列输入三维分割网络，得到第二图像序列的三维分割结果，其中，所述三维分割结果包括所述目标器官中的病灶对应的第二病灶区域；
合并模块，用于根据所述第二病灶区域中各连通区域间的距离，将病灶区域中各连通区域进行合并，得到合并后的多个第一病灶子区域；
再合并及分类模块，用于根据所述第一病灶子区域和所述目标器官的多组图像序列，对所述第一病灶子区域进行再合并及分类处理，确定合并后的第二病灶子区域的类别，所述类别包括一个假阳类别和多个征象类别，其中，每一个第二病灶子区域对应一个病灶。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN202110564671.0A 2021-05-24 2021-05-24 基于核磁图像的乳腺病灶分类和定位方法及装置 Active CN113222038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110564671.0A CN113222038B (zh) 2021-05-24 2021-05-24 基于核磁图像的乳腺病灶分类和定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110564671.0A CN113222038B (zh) 2021-05-24 2021-05-24 基于核磁图像的乳腺病灶分类和定位方法及装置

Publications (2)

Publication Number Publication Date
CN113222038A CN113222038A (zh) 2021-08-06
CN113222038B true CN113222038B (zh) 2021-10-22

Family

ID=77098058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110564671.0A Active CN113222038B (zh) 2021-05-24 2021-05-24 基于核磁图像的乳腺病灶分类和定位方法及装置

Country Status (1)

Country Link
CN (1) CN113222038B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113539445A (zh) * 2021-09-02 2021-10-22 数坤(北京)网络科技股份有限公司 一种医学图像处理方法和装置
CN113593707B (zh) * 2021-09-29 2021-12-14 武汉楚精灵医疗科技有限公司 胃早癌模型训练方法、装置、计算机设备及存储介质
CN114266761A (zh) * 2021-12-27 2022-04-01 沈阳东软智能医疗科技研究院有限公司 基于影像组学的病灶分析方法、装置、设备及存储介质
CN114782712A (zh) * 2022-04-29 2022-07-22 沈阳东软智能医疗科技研究院有限公司 基于医学影像的特征处理方法、装置、设备及介质
CN115272165B (zh) * 2022-05-10 2023-09-26 推想医疗科技股份有限公司 图像的特征提取方法、图像分割模型的训练方法和装置
CN114820590B (zh) * 2022-06-06 2023-04-07 北京医准智能科技有限公司 图像处理方法、装置、电子设备及介质
CN115049655B (zh) 2022-08-15 2022-11-11 汕头大学·香港中文大学联合汕头国际眼科中心 一种小鼠模型视网膜病灶分布分析方法
CN118315052B (zh) * 2024-06-06 2024-09-06 南方医科大学珠江医院 一种基于多模态的智能交互ad筛查系统、装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN109740600A (zh) * 2019-01-04 2019-05-10 上海联影医疗科技有限公司 高亮病灶区域的定位方法、装置、计算机设备以及存储介质
CN110827310A (zh) * 2019-11-01 2020-02-21 北京航空航天大学 Ct图像自动检测方法与系统
CN111445478A (zh) * 2020-03-18 2020-07-24 吉林大学 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法
CN112529909A (zh) * 2020-12-08 2021-03-19 北京安德医智科技有限公司 一种基于图像补全的肿瘤图像脑区分割方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180279985A1 (en) * 2015-10-29 2018-10-04 Northeastern University Non-Invasive Breast Cancer Detection Using Co-Registered Multimodal Probes: Microwave Nearfield Radar Imaging (NRI), Digital Breast Tomosynthesis (DBT), Ultrasound Imaging (US) And Thermoacoustic Imaging (TA)
CA3036754A1 (en) * 2016-10-27 2018-05-03 Progenics Pharmaceuticals, Inc. Network for medical image analysis, decision support system, and related graphical user interface (gui) applications

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN109740600A (zh) * 2019-01-04 2019-05-10 上海联影医疗科技有限公司 高亮病灶区域的定位方法、装置、计算机设备以及存储介质
CN110827310A (zh) * 2019-11-01 2020-02-21 北京航空航天大学 Ct图像自动检测方法与系统
CN111445478A (zh) * 2020-03-18 2020-07-24 吉林大学 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法
CN112529909A (zh) * 2020-12-08 2021-03-19 北京安德医智科技有限公司 一种基于图像补全的肿瘤图像脑区分割方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Automatic post-stroke lesion segmentation on MR images using 3D residual convolutional neural network;Naofumi Tomita等;《NeuroImage: Clinical》;20200526;第27卷;1-7 *
Breast ultrasound lesion classification based on image decomposition and transfer learning;Zhemin Zhuang等;《Medical Physics》;20201031;第47卷(第12期);1-31 *
一种在MR图像中进行脑胶质瘤检测和病灶分割的方法;陈皓等;《电子与信息学报》;20200907;第43卷(第04期);第992-1002页 *
基于变分偏微分方程的医学图像病灶的检测和分割;贵鹿颖;《中国优秀博硕士学位论文全文数据库(博士)_基础科学辑》;20190715;A002-12 *
肺部CT影像慢阻肺病灶三维定量化分析研究;李梭;《中国优秀博硕士学位论文全文数据库(博士)_信息科技辑》;20150115;I138-34 *

Also Published As

Publication number Publication date
CN113222038A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113222038B (zh) 基于核磁图像的乳腺病灶分类和定位方法及装置
CN111899268B (zh) 图像分割方法及装置、电子设备和存储介质
US20220198775A1 (en) Image processing method and apparatus, electronic device, storage medium and computer program
CN111310764B (zh) 网络训练、图像处理方法及装置、电子设备和存储介质
CN112767329B (zh) 图像处理方法及装置、电子设备
WO2022151755A1 (zh) 目标检测方法及装置、电子设备、存储介质、计算机程序产品和计算机程序
JP2022537974A (ja) ニューラルネットワーク訓練方法及び装置、電子機器並びに記憶媒体
CN112967291B (zh) 图像处理方法及装置、电子设备和存储介质
JP2022535219A (ja) 画像分割方法及び装置、電子機器並びに記憶媒体
CN114820584B (zh) 肺部病灶定位装置
CN113034491B (zh) 一种冠脉钙化斑块检测方法及装置
WO2023050691A1 (zh) 图像处理方法及装置、电子设备、存储介质和程序
TWI765386B (zh) 神經網路訓練及圖像分割方法、電子設備和電腦儲存介質
CN112927239A (zh) 图像处理方法、装置、电子设备及存储介质
CN112508918A (zh) 图像处理方法及装置、电子设备和存储介质
KR20220012407A (ko) 이미지 분할 방법 및 장치, 전자 기기 및 저장 매체
CN113349810A (zh) 脑出血病灶识别及血肿扩大预测方法及装置
CN113902730A (zh) 图像处理和神经网络训练方法及装置
CN115170464A (zh) 肺图像的处理方法、装置、电子设备和存储介质
WO2023050690A1 (zh) 图像处理方法、装置、电子设备、存储介质和程序
CN112330787B (zh) 图像标注方法、装置、存储介质和电子设备
WO2022012038A1 (zh) 图像处理方法及装置、电子设备、存储介质和程序产品
CN111598025B (zh) 图像识别模型的训练方法和装置
CN115565666A (zh) 脑梗死评估方法及装置、电子设备和存储介质
CN112686867B (zh) 医学图像的识别方法及装置、电子设备和存储介质

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Method and device of breast lesion classification and location based on magnetic resonance image

Effective date of registration: 20220711

Granted publication date: 20211022

Pledgee: Su Qiwen

Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd.

Registration number: Y2022990000431

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20211022

Pledgee: Su Qiwen

Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd.

Registration number: Y2022990000431