CN113288186A - 基于深度学习算法的乳腺肿瘤组织检测方法及装置 - Google Patents

基于深度学习算法的乳腺肿瘤组织检测方法及装置 Download PDF

Info

Publication number
CN113288186A
CN113288186A CN202110641772.3A CN202110641772A CN113288186A CN 113288186 A CN113288186 A CN 113288186A CN 202110641772 A CN202110641772 A CN 202110641772A CN 113288186 A CN113288186 A CN 113288186A
Authority
CN
China
Prior art keywords
image
deep learning
energy
images
breast tumor
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.)
Withdrawn
Application number
CN202110641772.3A
Other languages
English (en)
Inventor
杨帆
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110641772.3A priority Critical patent/CN113288186A/zh
Publication of CN113288186A publication Critical patent/CN113288186A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/30—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)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Optics & Photonics (AREA)
  • General Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Evolutionary Computation (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于深度学习算法的乳腺肿瘤组织检测方法及装置，其中方法包括：收集现有确诊病例图像，基于现有确诊病例图像分别建立乳腺肿瘤组织自动检测的深度学习模型，提取或采集待检测病例图像，输入至深度学习模型，得到自动检测结果，计算出病灶血流灌注变化率。本发明通过基于深度学习算法的乳腺肿瘤组织检测方法及装置，明显提高了对乳腺肿瘤组织的检出率，并能够实现精准的乳腺病灶良恶性判断和分类；通过低能图像和高低能减影图像结合的方式，进行对比增强能谱乳腺X线摄影，弥补了单一低能图像检测的不足；结合血流灌注变化率以及病灶组织分类，提高了良恶性鉴别能力，不易发生假阴性和假阳性的检测。

Description

基于深度学习算法的乳腺肿瘤组织检测方法及装置
技术领域
本发明属于病灶检测技术领域，尤其涉及基于深度学习算法的乳腺肿瘤组织检测方法及装置。
背景技术
乳腺癌作为女性最常见的恶性肿瘤之一，发病率呈现逐年上升的趋势，严重威胁妇女的身心健康。因此，对于乳腺癌的早期精准定量化诊断及早期精准指导治疗就显得尤为重要。
如CN105361909B公开的一种乳腺超声扫描检测系统，包括检查床、扫描成像装置及超声诊断仪，通过图像扫描和超声识别结合，通过探头的全自动方式采集图像，更能真实反映检查者的情况，对于病灶定位更加准确。
但是，该种方法仍需人工分析处理，根据图像和扫描结果对病灶区域进行判断，受到分析人员的专业水平、临床经验以及分析专注度等条件的限制，其病灶处检测结果的准确性无法保证；且图像一般为单一的低能乳腺X线摄影图像，对于血运丰富的其他病灶或致密型乳腺患者，检测结果易呈假阳性或假阴性，存在缺陷。
发明内容
针对上述问题，本发明提供，主要解决了现有技术中人工检测易发生假性误判、人工检测限制较大、检测准确性无法保证、只能基于简单的低能影像判断等问题。
为了解决上述问题，本发明采用如下技术方案：
基于深度学习算法的乳腺肿瘤组织检测方法，包括：
收集确诊病历中左右两侧乳腺在不同时段的常规头尾位和内外斜位的低能图像与高低能减影图像；
基于两种收集的确诊病例图像，分别建立乳腺肿瘤组织自动检测的深度学习模型，计算正常病灶血流灌注变化率的区间范围；
提取或采集待检测病历中左右两侧乳腺在不同时段的常规头尾位和内外斜位的低能图像与高低能减影图像，并输入至已建立的深度学习模型，进行当前病历的检测和分析，得到深度学习模型输出的自动检测结果，并对检出的乳腺肿瘤组织计算其病灶血流灌注变化率。
一种方式，深度学习模型输出的自动检测结果包括：是否检出乳腺肿瘤组织、对检出的乳腺肿瘤组织进行良恶性判断和组织情况信息；
组织情况信息包括钙化病灶、致密性等组织学信息。
一种方式，病灶血流灌注变化率的计算公式是：
病灶血流灌注变化率＝(Amin时的病灶信号强度-B min时的病灶信号强度)/Amin时的病灶信号强度；且A＜B。
一种方式，提取乳腺的常规头尾位和内外斜位的低能图像与高低能减影图像的方法是：
对检测对象静脉注射含碘对比剂；
在2min和5min时分别对左右两侧的乳腺就常规头尾位和内外斜位进行成像和图像采集，每个成像部位均获得低能图像和高能图像各一幅；
利用碘造影剂的K缘效应，获得高低能减影图像,将采集的所有图像进行保存。
一种方式，采集的所有图像以dicom、nifty、nrrd中的一种或多种格式进行保存，并可被读取、分析。
一种方式，建立深度学习模型的方法是：
输入确诊病历中左右两侧乳腺在不同时段的常规头尾位和内外斜位的低能图像与高低能减影图像；
将输入的确诊病例图像进行预处理；
利用ResNet网络将处理后的输入图像进行特征提取，形成特征金字塔；
在特征金字塔的每个特征层上建立边界框回归子网络，预测确诊病例图像的边界框坐标，进行分割；
从分割后的确诊病例图像中提取病灶图像；
基于提取的病灶图像建立分类网络：
先对病灶图像进行激活，并用相应分类个数的卷积核卷积，然后通过sigmoid函数激活最后一层，最后根据良恶性、组织情况信息进行分类，得到若干类别信息，用于预测待检测病历的类别。
一种方式，通过录入新确诊病例中乳腺的常规头尾位和内外斜位的低能图像与高低能减影图像，可以不断更新、优化已建立的深度学习模型。
一种方式，通过深度学习模型对当前病历进行检测和分析的方法是：
将输入的当前病历图像进行预处理；
调用预先建立的深度学习模型，并依次对处理后的当前病历图像提取特征金字塔、建立边界框回归子网络、预测待检测病历图像的边界框坐标、进行分割；
根据分割后的待检测病历图像，与确诊病例图像进行比对，判断是否检出乳腺肿瘤组织；
对检出乳腺肿瘤组织的病历，计算其乳腺病灶血流灌注变化率，并进行图像提取，得到当前病历的病灶图像；
对当前病历的病灶图像进行激活，通过将每个特征层与确诊病例图像进行比对，比对后得出最相似的确诊病例图像，获取对应的类别信息，实现当前病例的类别预测；
多次比对后，得到当前病历的自动检测结果，并结合乳腺病灶血流灌注变化率进行全面诊断。
基于深度学习算法的乳腺肿瘤组织检测装置，包括：
转换单元，用于对接不同的影像采集或存储设备，得到待检测病例的影像；
乳腺区域提取单元，用于提取待检测病历影像的乳腺区域；
病灶检测单元，用于将乳腺区域的影像输入至深度学习模型，得到自动检测结果。
一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现所有基于深度学习算法的乳腺肿瘤组织检测方法的步骤。
本发明的有益效果是：
1.通过基于深度学习算法的乳腺肿瘤组织检测方法及装置，明显提高了对乳腺肿瘤组织的检出率，并能够实现精准的乳腺病灶良恶性判断和分类；
2.通过低能图像和高低能减影图像结合的方式，进行对比增强能谱乳腺X线摄影，消除了腺体重叠干扰,显示病灶血供状态,从而可更敏感地发现隐藏于腺体中的小病灶,准确评估病变形态、范围,并进行定性诊断，弥补了单一低能图像检测的不足；
3.结合血流灌注变化率以及病灶组织分类，提高了良恶性鉴别能力，不易发生假阴性和假阳性的检测。
附图说明
图1为本发明的检测方法步骤流程图；
图2为本发明检测方法中的特征金字塔提取示意图；
图3为本发明的检测装置示意图。
具体实施方式
下面结合附图对本发明进行进一步说明：
基于深度学习算法的乳腺肿瘤组织检测方法，如图1所示，包括：
步骤1：
1.1、对于进行乳腺肿瘤检测的病人，均通过静脉注射含碘对比剂，对比剂的注射量为1.5ml/kg，流速3.0-4.0ml/s；
于2min时开始乳腺成像检查，按照乳腺成像方法，分别进行左右两侧乳腺的头尾位和内外斜位的成像采集；
延迟一段时间，于5min时进行左右两侧乳腺的头尾位和内外斜位的成像采集，总计完成4次图像采集，每一个成像部位均获得低能图像和高能图像各一幅。
利用碘造影剂的K缘效应，获得对应部位的高低能减影图像，并以dicom、nifty、nrrd中的一种或多种格式进行保存，并可被读取、分析。
在数字化乳腺X摄影的基础上，将能谱与对比增强相结合，利用肿瘤组织富含新生血管的特点，通过注射对比剂提高肿瘤与正常组织之间的组织对比度，以提高临床诊断和疗效评估效能。正常通过人工判断病况，进行病历积累。
1.2、将步骤1.1中收集的病历根据人工诊断的结果，分为确诊病例和健康病历；
收集确诊病例中左右两侧乳腺在2min和5min时的常规头尾位和内外斜位的低能图像与高低能减影图像，共计4幅图像。
步骤2：
基于步骤1.2中收集的确诊病例图像，分别建立低能图像的深度学习模型和高低能减影图像的深度学习模型。两种深度学习模型的建立方法相似。
其中，建立深度学习模型的具体方法是：
2.1、通过读取或载入的方式,将步骤1.2中收集的确诊病例图像输入，收集的病历图像分为低能图像和高低能减影图像，低能图像包括2min和5min时，左右两侧乳腺的常规头尾位和内外斜位的低能图像；高低能减影图像包括2min和5min时，左右两侧乳腺的常规头尾位和内外斜位的高低能减影图像；
将输入的图像进行预处理，预处理包括1×1×1mm3的重采样、高斯滤波降噪音、伪影矫正中的一种或多种方式；
2.2、如图2所示，选择ResNet网络进行残差分析，将步骤2.1中处理后的输入图像进行特征提取，形成特征金字塔；即对输入图像做一个卷积神经网络(CNN)，将输入图像以不同的尺度标准分成多个特征层，目的是取出图像中多余的边角影像，得到初步选取后的关键部分图像；
2.3、在特征金字塔的每个特征层上建立边界框回归子网络，预测确诊病例的边界框坐标，进行图像分割；
其中，边界框回归子网络是接一个不含全连接的全卷积网络(FCN)，解决因为卷积和池化对图像尺寸的影响。总的来说，本步骤是对步骤2.2中初步选取后的关键部分图像进行更进一步地分割、分析，得到分割后的确诊病例图像；
2.4、根据步骤2.3中所得分割后的确诊病例图像，从中提取病灶图像；
2.5、基于步骤2.4中所提取的病灶图像建立分类网络，即对提取的病灶图像先用4个卷积核卷积层和线性整流函数(ReLU)激活输出，然后用相应分类个数的3×3卷积核卷积，接着通过sigmoid函数激活最后一层，得到目标图像；
2.6、基于确诊病例的诊断结果，根据病例的良恶性、组织情况信息对步骤2.5中所得的目标图像进行分类，得到若干类别信息，用于预测待监测病例的类别。即将诊断结果基于某个条件标准(良恶性、组织情况信息)，对比明显的类别，例如：
①肿瘤呈良性的病历图像和诊断结果为肿瘤呈恶性的病例图像；
②诊断出病灶但为钙化病灶的病例图像和诊断出病灶为肿瘤组织病灶的病历图像；
③诊断出血管密集情况但为致密性、非癌症病灶的病例图像和诊断出血管密集情况且为癌症病灶的病历图像。
其中，组织情况信息包括钙化病灶、致密性等组织学信息。
至此深度学习模型初步建立完成。
步骤3:
3.1、对待检测乳腺肿瘤的病人静脉注射含碘对比剂，对比剂的注射量为1.5ml/kg，流速3.0-4.0ml/s；
于2min时开始乳腺成像检查，按照乳腺成像方法，分别进行左右两侧乳腺的头尾位和内外斜位的成像采集；
延迟一段时间，于5min时进行左右两侧乳腺的头尾位和内外斜位的成像采集，总计完成4次图像采集，每一个成像部位均获得低能图像和高能图像各一幅；
利用碘造影剂的K缘效应，获得对应部位的高低能减影图像，并以dicom、nifty、nrrd中的一种或多种格式进行保存，并可被读取、分析；
最终得到当前的待检测病历中左右两侧乳腺在不同时段的常规头尾位和内外斜位的低能图像与高低能减影图像；
3.2、将步骤3.1中得到的低能图像与高低能减影图像分别输入对应的、已建立的两个深度学习模型中，进行当前病历的检测和分析，得到深度学习模型输出的自动检测结果；
其中，通过深度学习模型对当前病历进行检测和分析的方法是：
3.2.1、将步骤3.2中输入的当前病历图像进行预处理，预处理包括1×1×1mm3的重采样、高斯滤波降噪音、伪影矫正中的一种或多种方式；
3.2.2、调用预先建立的深度学习模型，获取步骤2中的确诊病例图像、相关的组织情况信息和相关类别信息；
3.2.3、根据步骤2.2和步骤2.3中图像的处理方式，对经过步骤3.2.1中处理后的当前病历图像依次进行以下步骤：
提取特征金字塔、建立边界框回归子网络、预测待检测病历图像的边界框坐标、进行分割，得到分割后的当前病例图像；
3.2.4、根据步骤3.2.3中所得分割后的当前病历图像，与步骤2.3中所得分割后的确诊病例图像进行比对，判断是否检出乳腺肿瘤组织：
3.2.5.如未检出乳腺肿瘤组织，则为当前病例为健康病例，进入步骤3.2.9；
3.2.6.如检出乳腺肿瘤组织，则对检出乳腺肿瘤组织的当前病历，首先计算其乳腺病灶血流灌注变化率，并进行图像提取，得到当前病历的病灶图像；
3.2.7、根据步骤2.5中图像的处理方式对步骤3.2.6中所得当前病历的病灶图像进行激活，通过将每个特征层与步骤2.6中的目标图像进行一一比对，得出最相似的确诊病例图像，获取对应的诊断结果和类别信息，实现当前病例的初步诊断和类别预测，得到当前病历的自动检测结果；
其中，自动检测结果包括是否检出乳腺肿瘤组织、对检出的乳腺肿瘤组织进行良恶性判断和组织情况信息。
组织情况信息包括钙化病灶、致密性等组织学信息。
3.2.8、结合步骤3.2.1中所得处理后的病例图像，进行良恶性的二次判断，并结合乳腺病灶血流灌注变化率进行全面诊断，进入步骤3.2.9；
3.2.9、得到预测的最终诊断结果，显示和保存相关图像。
其中，病灶血流灌注变化率的计算公式是：
病灶血流灌注变化率＝(A min时的病灶信号强度-B min时的病灶信号强度)/Amin时的病灶信号强度，且A＜B。
其中，通过步骤3后确定新的确诊病例，将新的确诊病例通过步骤2的处理，加入到深度学习模型中，实现深度学习模型的不断更新和优化。
本发明实施例还提供一种基于深度学习算法的乳腺肿瘤组织检测装置，如图3所示，主要包括：
转换单元，用于对接不同的影像采集或存储设备，可以从不同的影像采集或存储设备中得到待检测病例的影像；
乳腺区域提取单元，用于提取转换单元所得待检测病历影像的乳腺区域；
病灶检测单元，用于将乳腺区域提取单元提取的乳腺区域影像输入至深度学习模型，得到自动检测结果。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被执行时实现所有基于深度学习算法的乳腺肿瘤组织检测方法中的步骤，如读取或载入确诊病例图像；将病例图像输入至深度学习模型；得到自动检测结果等。
本领域的技术人员可以明确，在不脱离本发明的总体精神以及构思的情形下，可以做出对于以上实施例的各种变型。其均落入本发明的保护范围之内。本发明的保护方案以本发明所附的权利要求书为准。

Claims (10)

1.基于深度学习算法的乳腺肿瘤组织检测方法，其特征在于：包括：
收集确诊病历中左右两侧乳腺在不同时段的常规头尾位和内外斜位的低能图像与高低能减影图像；
基于两种收集的确诊病例图像，分别建立乳腺肿瘤组织自动检测的深度学习模型，计算正常病灶血流灌注变化率的区间范围；
提取或采集待检测病历中左右两侧乳腺在不同时段的常规头尾位和内外斜位的低能图像与高低能减影图像，并输入至已建立的深度学习模型，进行当前病历的检测和分析，得到深度学习模型输出的自动检测结果，并对检出的乳腺肿瘤组织计算其病灶血流灌注变化率。
2.根据权利要求1所述的乳腺肿瘤组织检测方法，其特征在于：深度学习模型输出的自动检测结果包括：是否检出乳腺肿瘤组织、对检出的乳腺肿瘤组织进行良恶性判断和组织情况信息；
组织情况信息包括钙化病灶、致密性等组织学信息。
3.根据权利要求2所述的乳腺肿瘤组织检测方法，其特征在于：病灶血流灌注变化率的计算公式是：
病灶血流灌注变化率＝(Amin时病灶信号强度-B min时病灶信号强度)/Amin时病灶信号强度；且A＜B。
4.根据权利要求2所述的乳腺肿瘤组织检测方法，其特征在于：提取乳腺的常规头尾位和内外斜位的低能图像与高低能减影图像的方法是：
对检测对象静脉注射含碘对比剂；
在2min和5min时分别对左右两侧的乳腺就常规头尾位和内外斜位进行成像和图像采集，每个成像部位均获得低能图像和高能图像各一幅；
利用碘造影剂的K缘效应，获得高低能减影图像,将采集的所有图像进行保存。
5.根据权利要求4所述的乳腺肿瘤组织检测方法，其特征在于：采集的所有图像以dicom、nifty、nrrd中的一种或多种格式进行保存，并可被读取、分析。
6.根据权利要求4所述的乳腺肿瘤组织检测方法，其特征在于：建立深度学习模型的方法是：
输入确诊病历中左右两侧乳腺在不同时段的常规头尾位和内外斜位的低能图像与高低能减影图像；
将输入的确诊病例图像进行预处理；
利用ResNet网络将处理后的输入图像进行特征提取，形成特征金字塔；
在特征金字塔的每个特征层上建立边界框回归子网络，预测确诊病例图像的边界框坐标，进行分割；
从分割后的确诊病例图像中提取病灶图像；
基于提取的病灶图像建立分类网络：
先对病灶图像进行激活，并用相应分类个数的卷积核卷积，然后通过sigmoid函数激活最后一层，最后根据良恶性、组织情况信息进行分类，得到若干类别信息，用于预测待检测病历的类别。
7.根据权利要求6所述的乳腺肿瘤组织检测方法，其特征在于：通过录入新确诊病例中乳腺的常规头尾位和内外斜位的低能图像与高低能减影图像，可以不断更新、优化已建立的深度学习模型。
8.根据权利要求6所述的乳腺肿瘤组织检测方法，其特征在于：通过深度学习模型对当前病历进行检测和分析的方法是：
将输入的当前病历图像进行预处理；
调用预先建立的深度学习模型，并依次对处理后的当前病历图像提取特征金字塔、建立边界框回归子网络、预测待检测病历图像的边界框坐标、进行分割；
根据分割后的待检测病历图像，与确诊病例图像进行比对，判断是否检出乳腺肿瘤组织；
对检出乳腺肿瘤组织的病历，计算其乳腺病灶血流灌注变化率，并进行图像提取，得到当前病历的病灶图像；
对当前病历的病灶图像进行激活，通过将每个特征层与确诊病例图像进行比对，比对后得出最相似的确诊病例图像，获取对应的类别信息，实现当前病例的类别预测；
多次比对后，得到当前病历的自动检测结果，并结合乳腺病灶血流灌注变化率进行全面诊断。
9.基于深度学习算法的乳腺肿瘤组织检测装置，其特征在于：包括：
转换单元，用于对接不同的影像采集或存储设备，得到待检测病例的影像；
乳腺区域提取单元，用于提取待检测病历影像的乳腺区域；
病灶检测单元，用于将乳腺区域的影像输入至深度学习模型，得到自动检测结果。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被执行时实现如权利要求1至8中任一项所述的基于深度学习算法的乳腺肿瘤组织检测方法的步骤。
CN202110641772.3A 2021-06-09 2021-06-09 基于深度学习算法的乳腺肿瘤组织检测方法及装置 Withdrawn CN113288186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110641772.3A CN113288186A (zh) 2021-06-09 2021-06-09 基于深度学习算法的乳腺肿瘤组织检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110641772.3A CN113288186A (zh) 2021-06-09 2021-06-09 基于深度学习算法的乳腺肿瘤组织检测方法及装置

Publications (1)

Publication Number Publication Date
CN113288186A true CN113288186A (zh) 2021-08-24

Family

ID=77327701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110641772.3A Withdrawn CN113288186A (zh) 2021-06-09 2021-06-09 基于深度学习算法的乳腺肿瘤组织检测方法及装置

Country Status (1)

Country Link
CN (1) CN113288186A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049934A (zh) * 2021-11-10 2022-02-15 富士胶片（中国）投资有限公司 辅助诊断方法、装置、系统、设备和介质
CN117392119A (zh) * 2023-12-07 2024-01-12 华侨大学 基于位置先验和特征感知的肿瘤病变区域检测方法及装置
WO2024042890A1 (ja) * 2022-08-26 2024-02-29 富士フイルム株式会社 情報処理装置、情報処理方法、及びプログラム
WO2024048168A1 (ja) * 2022-09-02 2024-03-07 富士フイルム株式会社 情報処理装置、情報処理方法、及びプログラム
WO2024048169A1 (ja) * 2022-09-02 2024-03-07 富士フイルム株式会社 情報処理装置、情報処理方法、及びプログラム

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049934A (zh) * 2021-11-10 2022-02-15 富士胶片（中国）投资有限公司 辅助诊断方法、装置、系统、设备和介质
WO2024042890A1 (ja) * 2022-08-26 2024-02-29 富士フイルム株式会社 情報処理装置、情報処理方法、及びプログラム
WO2024048168A1 (ja) * 2022-09-02 2024-03-07 富士フイルム株式会社 情報処理装置、情報処理方法、及びプログラム
WO2024048169A1 (ja) * 2022-09-02 2024-03-07 富士フイルム株式会社 情報処理装置、情報処理方法、及びプログラム
CN117392119A (zh) * 2023-12-07 2024-01-12 华侨大学 基于位置先验和特征感知的肿瘤病变区域检测方法及装置
CN117392119B (zh) * 2023-12-07 2024-03-12 华侨大学 基于位置先验和特征感知的肿瘤病变区域检测方法及装置

Similar Documents

Publication Publication Date Title
CN113288186A (zh) 基于深度学习算法的乳腺肿瘤组织检测方法及装置
CN110060774B (zh) 一种基于生成式对抗网络的甲状腺结节识别方法
CN111539944B (zh) 肺部病灶统计属性获取方法、装置、电子设备和存储介质
CN109493325B (zh) 基于ct影像的肿瘤异质性分析系统
CN101626726B (zh) 医学成像中病灶的识别与分析
CN110796613B (zh) 一种图像伪影的自动识别方法及装置
JP5081390B2 (ja) 腫瘍量を監視する方法及びシステム
JP5068519B2 (ja) 悪性腫瘍を自動的に特徴評価するルーチンを含む機械読み取り可能な媒体及び装置
EP3528261A1 (en) Prediction model for grouping hepatocellular carcinoma, prediction system thereof, and method for determining hepatocellular carcinoma group
Azhari et al. Tumor detection in medical imaging: a survey
CN112767393A (zh) 一种基于机器学习的双模态影像组学磨玻璃结节分类方法
CN111870231B (zh) 一种内窥式肿瘤血管正常化检测系统及检测方法
CN114758175A (zh) 一种食管胃结合部肿瘤图像分类方法、系统、设备及存储介质
KR20230097646A (ko) 위장 질환 및 위암 검출률 향상을 위한 인공 지능 기반 위 내시경 영상 진단 보조 시스템 및 방법
CN114549463A (zh) 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质
CN113393938B (zh) 一种融合影像和临床特征信息的乳腺癌风险预测系统
CN116580037B (zh) 一种基于深度学习的鼻咽癌图像分割方法及系统
CN116630680B (zh) 一种x线摄影联合超声的双模态影像分类方法及系统
JP3488515B2 (ja) 診断支援システムおよび診断支援方法
CN113838020B (zh) 一种基于钼靶影像的病变区域量化方法
TWI490790B (zh) Dynamic cardiac imaging analysis and cardiac function assessment system
CN114403924A (zh) 一种基于超声造影评估aip激素治疗疗效的方法
CN111544043A (zh) 一种乳腺影像识别的方法及装置
CN111265234A (zh) 一种肺部纵膈淋巴结的性质判定方法及系统
CN113781597B (zh) 一种肺部ct图像的病灶识别方法、设备及介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210824