CN114170241A - 乳腺超声图像分割方法及设备 - Google Patents

乳腺超声图像分割方法及设备 Download PDF

Info

Publication number
CN114170241A
CN114170241A CN202111356385.1A CN202111356385A CN114170241A CN 114170241 A CN114170241 A CN 114170241A CN 202111356385 A CN202111356385 A CN 202111356385A CN 114170241 A CN114170241 A CN 114170241A
Authority
CN
China
Prior art keywords
segmentation model
segmentation
breast
rads
breast lesion
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
Application number
CN202111356385.1A
Other languages
English (en)
Inventor
王红燕
姜玉新
李建初
谷杨
安兴
林彬
徐文龙
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.)
Shenzhen Mindray Bio Medical Electronics Co Ltd
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Shenzhen Mindray Bio Medical Electronics Co Ltd
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
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 Shenzhen Mindray Bio Medical Electronics Co Ltd, Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Shenzhen Mindray Bio Medical Electronics Co Ltd
Priority to CN202111356385.1A priority Critical patent/CN114170241A/zh
Publication of CN114170241A publication Critical patent/CN114170241A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06T2207/20—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供一种乳腺超声图像分割方法及设备，该方法包括：获取被检者乳腺区域的超声图像，超声图像中包含乳腺病灶；根据超声图像识别乳腺病灶的BI‑RADS特征的类型，BI‑RADS特征包括形状特征、方向特征、边缘特征、内部回声特征、后方回声特征、钙化特征和血流特征中的至少一个；从预设的BI‑RADS特征各类型所对应的多个分割模型中确定与BI‑RADS特征的类型相对应的目标分割模型；采用目标分割模型对超声图像进行乳腺病灶分割，从超声图像中分割出乳腺病灶区域。在进行分割时充分考虑了乳腺病灶的特征，通过采用与BI‑RADS特征的类型相对应的目标分割模型对超声图像进行分割，提高了乳腺病灶区域分割的准确性。

Description

乳腺超声图像分割方法及设备
技术领域
本发明实施例涉及医用超声技术领域，具体涉及一种乳腺超声图像分割方法及设备。
背景技术
乳腺超声图像能够清楚地显示乳腺各层软组织及其中病灶的位置、形态、内部结构及相邻组织的改变，而且具有经济、便捷、无创伤、无痛苦、无放射性和重复性强等诸多优点，已成为乳腺检查的重要方式之一。随着计算机科学技术的不断发展，计算机辅助诊断(Computer-Aided Diagnosis，CAD)系统逐渐应用于乳腺超声图像进行智能诊断，乳腺病灶分割的准确性严重影响着智能诊断结果的准确性。因此，从乳腺超声图像中准确地分割出乳腺病灶区域具有重要意义。
如图1所示，乳腺病灶的形态有如图1中(a)和(b)所示的形状规则、边界光整且清晰的情况，也有如图1中(c)、(d)和(f)所示的形状不规则、边界不清晰的情况，还有如图1中(e)和(f)所示的后方回声衰减产生声影导致病灶部分边界难以分辨的情况。可见乳腺病灶征象复杂多变且形态各异，再加上伪像、声影等的干扰，这些都将使得从乳腺超声图像中准确地分割出乳腺病灶区域成为一项困难的任务。现有采用固定模型或算法从乳腺超声图像中分割乳腺病灶区域的准确性较低，从而会影响CAD系统智能诊断的准确性。
发明内容
本发明实施例提供一种乳腺超声图像分割方法及设备，用于解决现有方法乳腺病灶区域分割准确性低的问题。
第一方面，本发明实施例提供一种乳腺超声图像分割方法，包括：
获取被检者乳腺区域的超声图像，超声图像中包含乳腺病灶；
根据超声图像识别乳腺病灶的乳腺影像报告和数据系统(Breast ImagingReporting and Data system，BI-RADS)特征的类型，BI-RADS特征包括形状特征、方向特征、边缘特征、内部回声特征、后方回声特征、钙化特征和血流特征中的至少一个；
从预设的BI-RADS特征各类型所对应的多个分割模型中确定与BI-RADS特征的类型相对应的目标分割模型；
采用目标分割模型对超声图像进行乳腺病灶分割，从超声图像中分割出乳腺病灶区域。
第二方面，本发明实施例提供一种乳腺超声图像分割方法，包括：
获取被检者乳腺区域的超声图像，超声图像中包含乳腺病灶；
根据超声图像识别乳腺病灶的BI-RADS分级；
从预设的第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型中确定与BI-RADS分级相对应的目标分割模型，第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型分别用于对BI-RADS分级为2级、3级、4a级、4b级、4c级、5级和6级的超声图像进行分割；
采用目标分割模型对超声图像进行乳腺病灶分割，从超声图像中分割出乳腺病灶区域。
第三方面，本发明实施例提供一种乳腺超声图像分割方法，包括：
获取被检者乳腺区域的超声图像，超声图像中包含乳腺病灶；
根据超声图像确定乳腺病灶的BI-RADS特征各类型的分类概率，BI-RADS特征包括形状特征、方向特征、边缘特征、内部回声特征、后方回声特征、钙化特征和血流特征中的至少一个；
采用BI-RADS特征各类型所对应的多个分割模型分别对超声图像进行乳腺病灶分割，得到与BI-RADS特征各类型相对应的多个乳腺病灶分割结果；
根据分类概率将与BI-RADS特征各类型相对应的多个乳腺病灶分割结果进行融合，得到超声图像中的乳腺病灶区域。
第四方面，本发明实施例提供一种乳腺超声图像分割方法，包括：
获取被检者乳腺区域的超声图像，超声图像中包含乳腺病灶；
根据超声图像确定乳腺病灶属于各个BI-RADS分级的概率；
采用第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型分别对超声图像进行乳腺病灶分割，得到分别与2级、3级、4a级、4b级、4c级、5级和6级相对应的多个乳腺病灶分割结果，第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型分别用于对BI-RADS分级为2级、3级、4a级、4b级、4c级、5级和6级的超声图像进行分割；
根据乳腺病灶属于各个BI-RADS分级的概率对得到的多个乳腺病灶分割结果进行融合，得到超声图像中的乳腺病灶区域。
第五方面，本发明实施例提供一种超声成像设备，包括：
超声探头；
发射电路，用于按照设定模式将相应的发射序列输出至超声探头，以控制超声探头发射相应的超声波；
接收电路，用于接收超声探头输出的超声回波信号，输出超声回波数据；
显示器，用于输出可视化信息；
处理器，用于执行上述任一实施例所述的乳腺超声图像分割方法。
第六方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上述任一实施例所述的乳腺超声图像分割方法。
本发明实施例提供的乳腺超声图像分割方法及设备，通过获取被检者乳腺区域的超声图像，并根据超声图像识别乳腺病灶的BI-RADS特征的类型，然后从预设的BI-RADS特征各类型所对应的多个分割模型中确定与BI-RADS特征的类型相对应的目标分割模型，最后采用目标分割模型对超声图像进行乳腺病灶分割，实现了对不同表现形态的乳腺病灶采用不同的分割模型进行有针对性的分割。由于在进行分割时充分考虑了乳腺病灶的特征，可以提高乳腺病灶区域分割的准确性，从而有助于提高CAD系统智能诊断的准确性。
附图说明
图1为本发明一实施例提供的乳腺病灶区域的示意图；
图2为本发明一实施例提供的超声成像设备的结构框图；
图3为本发明一实施例提供的乳腺超声图像分割方法的流程图；
图4为本发明又一实施例提供的乳腺超声图像分割方法的流程图；
图5为本发明另一实施例提供的乳腺超声图像分割方法的流程图；
图6为本发明又一实施例提供的乳腺超声图像分割方法的流程图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
如图2所示，本发明提供的超声成像设备可以包括：超声探头20、发射/接收电路30(即发射电路310和接收电路320)、波束合成模块40、IQ解调模块50、存储器60、处理器70和人机交互装置。处理器70可以包括控制模块710和图像处理模块720。
超声探头20包括由阵列式排布的多个阵元组成的换能器(图中未示出)，多个阵元排列成一排构成线阵，或排布成二维矩阵构成面阵，多个阵元也可以构成凸阵列。阵元用于根据激励电信号发射超声波束，或将接收的超声波束变换为电信号。因此每个阵元可用于实现电脉冲信号和超声波束的相互转换，从而实现向人体组织的目标区域(例如本实施例中包含乳腺病灶的乳腺区域)发射超声波、也可用于接收经组织反射回的超声波的回波。在进行超声检测时，可通过发射电路310和接收电路320控制哪些阵元用于发射超声波束，哪些阵元用于接收超声波束，或者控制阵元分时隙用于发射超声波束或接收超声波束的回波。参与超声波发射的阵元可以同时被电信号激励，从而同时发射超声波；或者参与超声波发射的阵元也可以被具有一定时间间隔的若干电信号激励，从而持续发射具有一定时间间隔的超声波。
本实施例中，用户通过移动超声探头20选择合适的位置和角度向乳腺区域10发射超声波并接收由乳腺区域10返回的超声波的回波，获得并输出该回波的电信号，回波的电信号是按以接收阵元为通道所形成的通道模拟电信号，其携带有幅度信息、频率信息和时间信息。
发射电路310用于根据处理器70的控制模块710的控制产生发射序列，发射序列用于控制多个阵元中的部分或者全部向生物组织发射超声波，发射序列参数包括发射用的阵元位置、阵元数量和超声波束发射参数(例如幅度、频率、发射次数、发射间隔、发射角度、波型、聚焦位置等)。某些情况下，发射电路310还用于对发射的波束进行相位延迟，使不同的发射阵元按照不同的时间发射超声波，以便各发射超声波束能够在预定的感兴趣区域聚焦。不同的工作模式，例如B图像模式、C图像模式和D图像模式(多普勒模式)，发射序列参数可能不同，回波信号经接收电路320接收并经后续的模块和相应算法处理后，可生成反映组织解剖结构的B图像、反映组织解剖结构和血流信息的C图像以及反映多普勒频谱图像的D图像。
接收电路320用于从超声探头20接收超声回波的电信号，并对超声回波的电信号进行处理。接收电路320可以包括一个或多个放大器、模数转换器(ADC)等。放大器用于在适当增益补偿之后放大所接收到的超声回波的电信号，模数转换器用于对模拟回波信号按预定的时间间隔进行采样，从而转换成数字化的信号，数字化后的回波信号依然保留有幅度信息、频率信息和相位信息。接收电路320输出的数据可输出给波束合成模块40进行处理，或者，输出给存储器60进行存储。
波束合成模块40和接收电路320信号相连，用于对接收电路320输出的信号进行相应的延时和加权求和等波束合成处理，由于被测组织中的超声波接收点到接收阵元的距离不同，因此，不同接收阵元输出的同一接收点的通道数据具有延时差异，需要进行延时处理，将相位对齐，并将同一接收点的不同通道数据进行加权求和，得到波束合成后的超声图像数据，波束合成模块40输出的超声图像数据也称为射频数据(RF数据)。波束合成模块40将射频数据输出至IQ解调模块50。在有的实施例中，波束合成模块40也可以将射频数据输出至存储器60进行缓存或保存，或将射频数据直接输出至处理器70的图像处理模块720进行图像处理。
波束合成模块40可以采用硬件、固件或软件的方式执行上述功能，例如，波束合成模块40可以包括能够根据特定逻辑指令处理输入数据的中央控制器电路(CPU)、一个或多个微处理芯片或其他任何电子部件，当波束合成模块40采用软件方式实现时，其可以执行存储在有形和非暂态计算机可读介质(例如，存储器60)上的指令，以使用任何适当波束合成方法进行波束合成计算。
IQ解调模块50通过IQ解调去除信号载波，提取信号中包含的组织结构信息，并进行滤波去除噪声，此时获取的信号称为基带信号(IQ数据对)。IQ解调模块50将IQ数据对输出至处理器70的图像处理模块720进行图像处理。在有的实施例中，IQ解调模块50还将IQ数据对输出至存储器60进行缓存或保存，以便图像处理模块720从存储器60中读出数据进行后续的图像处理。
处理器70用于配置成能够根据特定逻辑指令处理输入数据的中央控制器电路(CPU)、一个或多个微处理器、图形控制器电路(GPU)或其他任何电子部件，其可以根据输入的指令或预定的指令对外围电子部件执行控制，或对存储器60执行数据读取和/或保存，也可以通过执行存储器60中的程序对输入数据进行处理，例如根据一个或多个工作模式对采集的超声数据执行一个或多个处理操作，处理操作包括但不限于调整或限定超声探头20发出的超声波的形式，生成各种图像帧以供后续人机交互装置的显示器80进行显示，或者调整或限定在显示器80上显示的内容和形式，或者调整在显示器80上显示的一个或多个图像显示设置(例如超声图像、界面组件、定位感兴趣区域)。
图像处理模块720用于对波束合成模块40输出的数据或IQ解调模块50输出的数据进行处理，以生成扫描范围内的信号强弱变化的灰度图像，该灰度图像反映组织内部的解剖结构，称为B图像。图像处理模块720可以将B图像输出至人机交互装置的显示器80进行显示。
人机交互装置用于进行人机交互，即接收用户的输入和输出可视化信息；其接收用户的输入可采用键盘、操作按钮、鼠标、轨迹球等，也可以采用与显示器集成在一起的触控屏；其输出可视化信息采用显示器80。
存储器60可以是有形且非暂态的计算机可读介质，例如可为闪存卡、固态存储器、硬盘等，用于存储数据或者程序，例如，存储器60可以用于存储所采集的超声数据或处理器70所生成的暂不立即显示的图像帧，或者存储器60可以存储图形用户界面、一个或多个默认图像显示设置、用于处理器、波束合成模块或IQ解码模块的编程指令。
需要说明的是，图2所示的结构仅为示意，还可以包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件和/或软件实现。图2所示的超声成像设备可以用于执行本发明任一实施例所提供的乳腺超声图像分割方法。
请参考图3，本发明一实施例提供的乳腺超声图像分割方法可以包括：
S301、获取被检者乳腺区域的超声图像，超声图像中包含乳腺病灶。
一种可选的实施方式中，获取被检者乳腺区域的超声图像，可以通过超声成像设备的超声探头向被检者的乳腺区域发射超声波，并接收乳腺区域返回的超声回波，得到超声回波数据，根据超声回波数据实时生成被检者乳腺区域的超声图像。具体的可以由医生在被检者乳腺充分暴露的皮肤表面涂以耦合剂，然后手持超声探头紧贴患者乳腺部皮肤进行扫查。在另一种可选的实施方式中，还可以从存储设备中获取预先存储的被检者乳腺区域的超声图像。本实施例中获取到的超声图像中包含有乳腺病灶。
S302、根据超声图像识别乳腺病灶的BI-RADS特征的类型，BI-RADS特征包括形状特征、方向特征、边缘特征、内部回声特征、后方回声特征、钙化特征和血流特征中的至少一个。
本实施例中根据超声图像识别乳腺病灶的BI-RADS特征的类型既可以采用传统图像处理方法也可以采用深度学习的方法。例如可以将获取到的超声图像输入预训练好的BI-RADS特征识别模型，以便确定乳腺病灶的BI-RADS特征的类型。其中，BI-RADS特征识别模型可以根据标注了BI-RADS特征的类型的样本超声图像训练得到。
本实施例中还可以先对超声图像中的乳腺病灶进行检测、定位，即在超声图像中确定乳腺病灶的感兴趣区域(Region of Interest，ROI)，然后基于确定的乳腺病灶的感兴趣区域识别乳腺病灶的BI-RADS特征的类型。其中，对超声图像中的乳腺病灶进行检测、定位可以基于深度学习、机器学习、传统图像处理等算法。基于深度学习检测、定位乳腺病灶时，需要先基于已收集的样本超声图像及高年资医师对乳腺病灶感兴趣区域的标注结果(医师标注的乳腺病灶的感兴趣区域例如可以是乳腺病灶的最小包围框或者乳腺病灶的边界)对深度学习ROI检测模型进行训练，ROI检测模型可以采用但不限于FasterRCNN、SSD、YOLO、CenterNet、CornerNet等。在网络训练阶段，计算迭代过程中乳腺病灶感兴趣区域的检测结果和标注结果之间的误差，并以误差最小化为目的不断更新网络中的权值，不断重复该过程，使检测结果逐渐逼近乳腺病灶ROI的真实值，得到训练好的ROI检测模型。该模型可以实现对于新输入超声图像进行自动化乳腺病灶的定位。当采用传统图像处理结合机器学习检测、定位乳腺病灶时，通常包括以下步骤：(1)基于传统图像处理方法找到待选区域，如使用Select Search算法；(2)将待选区域变换至固定大小，并使用图像处理方式提取图像的梯度、纹理等特征向量，如Sift算子、HoG算子、GLCM灰度共生矩阵等；(3)通过传统机器学习算法对待选区域的特征向量进行训练，得到待选框的分类模型；(4)通过回归方法得到目标的包围框，即乳腺病灶的ROI。基于确定的乳腺病灶的感兴趣区域识别乳腺病灶的BI-RADS特征的类型可以基于传统机器学习的分类算法，或者可以基于深度学习的分类算法。其中，基于传统机器学习的分类算法可以采用但不限于决策树(Decision Tree)算法、贝叶斯(Bayes)算法、k-近邻(kNN)算法、以及支持向量机(SVM)算法等；基于深度学习的分类算法可以通过堆积卷积层、池化层、全连接层等结构，形成一个人工神经网络，对输入的超声图像进行BI-RADS特征类型的识别，可以采用但不限于VGG、ResNet、Inception等网络。
本实施例中可以仅识别乳腺病灶的一个BI-RADS特征的类型，例如可以仅识别乳腺病灶形状特征的类型，或者可以仅识别乳腺病灶边缘特征的类型，或者还可以仅识别乳腺病灶后方回声特征的类型等。本实施例中还可以识别乳腺病灶的多个BI-RADS特征的类型，例如可以识别乳腺病灶的边缘特征和形状特征的类型，或者可以识别乳腺病灶的形状特征和后方回声特征的类型，或者还可以识别乳腺病灶的形状特征、边缘特征和后方回声特征的类型……，各种BI-RADS特征的组合方式均可，此处不再一一赘述。根据BI-RADS相关规定，形状特征的类型包括椭圆形、圆形和不规则形；方向特征的类型包括平行和不行平；边缘特征的类型包括光整、模糊、成角、微分叶和毛刺；内部回声特征的类型包括无回声、低回声、等回声、高回声、囊实性混合回声和不均回声；后方回声特征的类型包括增强、无改变、衰减和混合回声；钙化特征的类型包括无钙化、肿块内钙化、肿块外钙化和导管内钙化；血流特征包括无血流、边缘血流和内部血流。
S303、从预设的BI-RADS特征各类型所对应的多个分割模型中确定与BI-RADS特征的类型相对应的目标分割模型。
本实施例中可以针对BI-RADS特征的每一个类型预先构建相应的分割模型，例如对于形状特征，可以针对椭圆形、圆形和不规则形分别构建相应的分割模型；对于边缘特征，可以针对光整、模糊、成角、微分叶和毛刺分别构建相应的分割模型。可以基于传统图像处理算法、传统机器学习算法、深度学习算法等构建分割模型。其中，基于深度学习构建分割模型时，可以采用监督学习的策略，通过堆叠卷积层、池化层、上采样层、反卷积层和全连接层等模块，建立分割模型，然后将真实的分割标注信息制作成一张与输入图像尺寸一致的掩膜图(mask)作为监督信息，让分割模型学习并输出需要分割的区域，分割模型可以采用但不限于Mask R-CNN、U-Net、Solo等。
在识别出乳腺病灶的BI-RADS特征的类型之后，便可以根据类型从预设的多个分割模型中确定与类型相对应的目标分割模型，以便有针对性的进行分割。
S304、采用目标分割模型对超声图像进行乳腺病灶分割，从超声图像中分割出乳腺病灶区域。
在确定目标分割模型之后，便可以将超声图像输入目标分割模型进行乳腺病灶的分割，以便在超声图像中确定乳腺病灶区域。
本申请之前的现有技术通常追求泛化、通用的模型，仅使用一个分割模型来应对所有分割情况。以图1中所示的超声图像为例，将采用同一个分割模型对图1中(a)～(f)所示的超声图像进行乳腺病灶分割。而本实施例所提供的方法将根据图1中各超声图像中乳腺病灶的不同表现形态采用与之相匹配的分割模型进行乳腺病灶分割。以图1中(c)所示的超声图像为例，对其进行后方回声特征类型的识别，假设识别到的后方回声特征的类型为增强，将会从预设的多个分割模型中选择与增强类型相对应的分割模型来对图1中(c)所示的超声图像进行分割；以图1中(f)所示的超声图像为例，对其进行后方回声特征类型的识别，假设识别到的后方回声特征的类型为衰减，将会从预设的多个分割模型中选择与衰减类型相对应的分割模型来对图1中(f)所示的超声图像进行分割。
本实施例提供的乳腺超声图像分割方法，通过获取被检者乳腺区域的超声图像，并根据超声图像识别乳腺病灶的BI-RADS特征的类型，然后从预设的BI-RADS特征各类型所对应的多个分割模型中确定与BI-RADS特征的类型相对应的目标分割模型，最后采用目标分割模型对超声图像进行乳腺病灶分割，实现了对不同表现形态的乳腺病灶采用不同的分割模型进行有针对性的分割。由于在进行分割时充分考虑了乳腺病灶的特征，可以提高乳腺病灶区域分割的准确性，从而有助于提高CAD系统智能诊断的准确性。
BI-RADS特征包括有形状特征、方向特征、边缘特征、内部回声特征、后方回声特征、钙化特征和血流特征，可以根据任意一个或者多个BI-RADS特征的类型进行乳腺病灶分割。由于其中的边缘特征、形状特征和后方回声特征对于边界情况影响较为显著，下面将分别阐述如何根据边缘特征的类型、形状特征的类型和后方回声特征的类型进行乳腺病灶分割。
一种可选的实施方式中，可以根据边缘特征的类型进行乳腺病灶分割。具体的，根据超声图像识别乳腺病灶的BI-RADS特征的类型包括：根据超声图像识别乳腺病灶的边缘特征的类型；从预设的BI-RADS特征各类型所对应的多个分割模型中确定与BI-RADS特征的类型相对应的目标分割模型包括：从预设的光整分割模型、模糊分割模型、成角分割模型、微分叶分割模型和毛刺分割模型中确定与边缘特征的类型相对应的目标分割模型，光整分割模型、模糊分割模型、成角分割模型、微分叶分割模型和毛刺分割模型分别用于对边缘特征的类型为光整、模糊、成角、微分叶和毛刺的超声图像进行分割。本实施例中的光整分割模型是基于标注了乳腺病灶区域且边缘特征的类型为光整的样本超声图像训练得到的，因此采用光整分割模型对于边缘特征的类型为光整的超声图像进行分割将具有更高的分割准确性。本实施例中的模糊分割模型是基于标注了乳腺病灶区域且边缘特征的类型为模糊的样本超声图像训练得到的，因此采用模糊分割模型对于边缘特征的类型为模糊的超声图像进行分割将具有更高的分割准确性。本实施例中的成角分割模型是基于标注了乳腺病灶区域且边缘特征的类型为成角的样本超声图像训练得到的，因此采用成角分割模型对于边缘特征的类型为成角的超声图像进行分割将具有更高的分割准确性。本实施例中的微分叶分割模型是基于标注了乳腺病灶区域且边缘特征的类型为微分叶的样本超声图像训练得到的，因此采用微分叶分割模型对于边缘特征的类型为微分叶的超声图像进行分割将具有更高的分割准确性。本实施例中的毛刺分割模型是基于标注了乳腺病灶区域且边缘特征的类型为毛刺的样本超声图像训练得到的，因此采用毛刺分割模型对于边缘特征的类型为毛刺的超声图像进行分割将具有更高的分割准确性。假设识别到图1中(a)的边缘特征的类型为光整，则可以采用光整分割模型作为目标分割模型对图1中(a)所示的超声图像进行乳腺病灶的分割；假设识别到图1中(d)的边缘特征的类型为模糊，则可以采用模糊分割模型作为目标分割模型对图1中(d)所示的超声图像进行乳腺病灶的分割。
一种可选的实施方式中，可以根据形状特征的类型进行乳腺病灶分割。具体的，根据超声图像识别乳腺病灶的BI-RADS特征的类型包括：根据超声图像识别乳腺病灶的形状特征的类型；从预设的BI-RADS特征各类型所对应的多个分割模型中确定与BI-RADS特征的类型相对应的目标分割模型包括：从预设的椭圆形分割模型、圆形分割模型和不规则形分割模型中确定与形状特征的类型相对应的目标分割模型，椭圆形分割模型、圆形分割模型和不规则形分割模型分别用于对形状特征的类型为椭圆形、圆形和不规则形的超声图像进行分割。本实施例中的椭圆形分割模型是基于标注了乳腺病灶区域且形状特征的类型为椭圆形的样本超声图像训练得到的，因此采用椭圆形分割模型对于形状特征的类型为椭圆形的超声图像进行分割将具有更高的分割准确性。本实施例中的圆形分割模型是基于标注了乳腺病灶区域且形状特征的类型为圆形的样本超声图像训练得到的，因此采用圆形分割模型对于形状特征的类型为圆形的超声图像进行分割将具有更高的分割准确性。本实施例中的不规则形分割模型是基于标注了乳腺病灶区域且形状特征的类型为不规则形的样本超声图像训练得到的，因此采用不规则形分割模型对于形状特征的类型为不规则形的超声图像进行分割将具有更高的分割准确性。假设识别到图1中(a)的形状特征的类型为圆形，则可以采用圆形分割模型作为目标分割模型对图1中(a)所示的超声图像进行乳腺病灶的分割；假设识别到图1中(f)的形状特征的类型为不规则形，则可以采用不规则形分割模型作为目标分割模型对图1中(f)所示的超声图像进行乳腺病灶的分割。
一种可选的实施方式中，可以根据后方回声特征的类型进行乳腺病灶分割。具体的，根据超声图像识别乳腺病灶的BI-RADS特征的类型包括：根据超声图像识别乳腺病灶的后方回声特征的类型；从预设的BI-RADS特征各类型所对应的多个分割模型中确定与BI-RADS特征的类型相对应的目标分割模型包括：从预设的增强分割模型、无改变分割模型、衰减分割模型和混合回声分割模型中确定与后方回声特征的类型相对应的目标分割模型，增强分割模型、无改变分割模型、衰减分割模型和混合回声分割模型分别用于对后方回声特征的类型为增强、无改变、衰减和混合回声的超声图像进行分割。本实施例中的增强分割模型是基于标注了乳腺病灶区域且后方回声特征的类型为增强的样本超声图像训练得到的，因此采用增强分割模型对于后方回声特征的类型为增强的超声图像进行分割将具有更高的分割准确性。本实施例中的无改变分割模型是基于标注了乳腺病灶区域且后方回声特征的类型为无改变的样本超声图像训练得到的，因此采用无改变分割模型对于后方回声特征的类型为无改变的超声图像进行分割将具有更高的分割准确性。本实施例中的衰减分割模型是基于标注了乳腺病灶区域且后方回声特征的类型为衰减的样本超声图像训练得到的，因此采用衰减分割模型对于后方回声特征的类型为衰减的超声图像进行分割将具有更高的分割准确性。本实施例中的混合回声分割模型是基于标注了乳腺病灶区域且后方回声特征的类型为混合回声的样本超声图像训练得到的，因此采用混合回声分割模型对于后方回声特征的类型为混合回声的超声图像进行分割将具有更高的分割准确性。假设识别到图1中(a)的后方回声特征的类型为无改变，则可以采用无改变分割模型作为目标分割模型对图1中(a)所示的超声图像进行乳腺病灶的分割；假设识别到图1中(c)的后方回声特征的类型为增强，则可以采用增强分割模型作为目标分割模型对图1中(c)所示的超声图像进行乳腺病灶的分割。
上面分别阐述了如何根据边缘特征的类型、形状特征的类型或者后方回声特征的类型进行乳腺病灶分割，需要说明的是，可以采用相似的方法根据方向特征的类型、内部回声特征的类型、钙化特征的类型或者血流特征的类型进行乳腺病灶分割，此处不再一一赘述。
可以理解的是，可以根据多个BI-RADS特征的类型进行乳腺病灶分割，以图1中(a)为例，其边缘特征的类型为光整，形状特征的类型为圆形，后方回声特征的类型为无改变，则目标分割模型包括光整分割模型、圆形分割模型和无改变分割模型。当目标分割模型包括多个分割模型时，则采用目标分割模型对超声图像进行乳腺病灶分割，从超声图像中分割出乳腺病灶区域包括：采用目标分割模型中的每一个分割模型分别对超声图像进行乳腺病灶分割；将目标分割模型包括的多个分割模型得到的分割结果进行融合，得到超声图像中的乳腺病灶区域。也就是说可以分别采用光整分割模型、圆形分割模型和无改变分割模型对图1中(a)所示的超声图像进行乳腺病灶分割，然后根据预设权重对得到的分割结果进行融合，以确定超声图像中的乳腺病灶区域。其中预设权重可以根据各个BI-RADS特征对于边界情况的影响大小来确定，例如边缘特征的权重为0.5，形状特征的权重为0.3，后方回声特征的权重为0.2。
需要说明的是，除了根据多个BI-RADS特征的类型进行乳腺病灶分割时目标分割模型可能包括多个分割模型外，当根据边缘特征进行乳腺病灶分割时目标分割模型也可能包括多个分割模型，这是由于一张超声图像的边缘特征的类型可能对应多个。以图1中(f)所示的超声图像为例，假设识别到的边缘特征的类型为微分叶、成角和毛刺，则目标分割模型包括微分叶分割模型、成角分割模型和毛刺分割模型，采用目标分割模型中的每一个分割模型分别对图1中(f)所示的超声图像进行乳腺病灶分割，然后将得到的多个分割结果进行融合，便可以确定图1中(f)的乳腺病灶区域。进一步的还可以将边缘特征与后方回声特征进行结合，用于进行乳腺病灶分割。仍以图1中(f)所示的超声图像为例，假设识别到的边缘特征的类型为微分叶、成角和毛刺，后方回声特征的类型为衰减，则目标分割模型包括微分叶分割模型、成角分割模型、毛刺分割模型和衰减分割模型。
考虑到在对乳腺区域进行超声成像时，可能会存在来自人为的或者外界环境的干扰，导致获取到的超声图像质量较低，进而导致根据超声图像识别的乳腺病灶的BI-RADS特征的类型不够准确，从而可能会降低乳腺病灶分割的准确性。因此，在上述任一实施例的基础上，为了进一步排除干扰，提高乳腺病灶分割的准确性，本实施例提供的方法在确定与BI-RADS特征的类型相对应的目标分割模型之前，还可以包括：接收用户的输入操作，输入操作用于对识别出的乳腺病灶的BI-RADS特征的类型进行确认、修改或者补充；根据输入操作确定乳腺病灶的BI-RADS特征的类型。用户可以通过外部输入设备如鼠标、键盘、触控屏等输入对乳腺病灶的BI-RADS特征的类型的确认、修改或者补充信息。当用户认可识别出的类型时，进行确认；当用户认为识别出的类型存在错误时，进行修改；当识别出的类型存在缺失时，用户可以进行补充。也就是说根据用户的输入操作所确定的乳腺病灶的BI-RADS特征的类型将更加准确，从而可以选出更加匹配的分割模型，有助于提高分割准确性。
为了便于用户查看超声图像中的乳腺病灶区域，在上述任一实施例的基础上，本实施例提供的方法还可以包括：在显示界面上显示从超声图像中分割得到的乳腺病灶区域。例如可以在超声图像中显示乳腺病灶区域的边界；也可以对乳腺病灶区域进行高亮显示；还可以仅显示分割得到的乳腺病灶区域。
请参考图4，本发明又一实施例提供的乳腺超声图像分割方法可以包括：
S401、获取被检者乳腺区域的超声图像，超声图像中包含乳腺病灶。
具体实施方式请参考S301，此处不再赘述。
S402、根据超声图像识别乳腺病灶的BI-RADS分级。
乳腺病灶的BI-RADS分级包括0级、1级、2级、3级、4a级、4b级、4c级、5级和6级。需要说明的是，BI-RADS 0级表示评估不完全，需要进一步影像学检查；BI-RADS 1级表示评估阴性，未发现病灶。本申请的病灶分割不涉及0级和1级，因此，本申请所识别的乳腺病灶的BI-RADS分级包括2级、3级、4a级、4b级、4c级、5级和6级中的一个。本实施例中既可以采用传统图像处理方法也可以采用深度学习的方法来根据超声图像识别乳腺病灶的BI-RADS分级。以深度学习的方法为例，可以基于标注了BI-RADS分级的样本超声图像训练BI-RADS分级识别模型，然后可以将获取到的超声图像输入预训练好的BI-RADS分级识别模型中，以便确定乳腺病灶的BI-RADS分级。
本实施例中还可以先对超声图像中的乳腺病灶进行检测、定位，即在超声图像中确定乳腺病灶的感兴趣区域(Region of Interest，ROI)，然后基于确定的乳腺病灶的感兴趣区域识别乳腺病灶的BI-RADS分级。具体实施方式可以参考S302，此处不再赘述。
S403、从预设的第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型中确定与BI-RADS分级相对应的目标分割模型，第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型分别用于对BI-RADS分级为2级、3级、4a级、4b级、4c级、5级和6级的超声图像进行分割。
本实施例中可以针对每一个BI-RADS分级预先构建相应的分割模型，如可以构建第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型分别用于对BI-RADS分级为2级、3级、4a级、4b级、4c级、5级和6级的超声图像进行分割。第一分割模型可以基于标注了乳腺病灶区域且BI-RADS分级为2级的样本超声图像训练得到，因此采用第一分割模型对于BI-RADS分级为2级的超声图像进行分割将具有更高的分割准确性。第二分割模型可以基于标注了乳腺病灶区域且BI-RADS分级为3级的样本超声图像训练得到，因此采用第二分割模型对于BI-RADS分级为3级的超声图像进行分割将具有更高的分割准确性。第三分割模型可以基于标注了乳腺病灶区域且BI-RADS分级为4a级的样本超声图像训练得到，因此采用第三分割模型对于BI-RADS分级为4a级的超声图像进行分割将具有更高的分割准确性。依次类推，此处不再赘述。
在识别出乳腺病灶的BI-RADS分级之后，便可以根据BI-RADS分级从预设的七个分割模型中确定与BI-RADS分级相对应的目标分割模型，以便有针对性的进行分割。
S404、采用目标分割模型对超声图像进行乳腺病灶分割，从超声图像中分割出乳腺病灶区域。
在确定目标分割模型之后，便可以将超声图像输入目标分割模型进行乳腺病灶的分割，以便在超声图像中确定乳腺病灶区域。
本实施例提供的乳腺超声图像分割方法，通过获取被检者乳腺区域的超声图像，并根据超声图像识别乳腺病灶的BI-RADS分级，然后从预设的第一至第七分割模型中确定与BI-RADS分级相对应的目标分割模型，最后采用目标分割模型对超声图像进行乳腺病灶分割，实现了对不同BI-RADS分级的乳腺病灶采用不同的分割模型进行有针对性的分割。由于在进行分割时充分考虑了乳腺病灶的BI-RADS分级，可以提高乳腺病灶区域分割的准确性，从而有助于提高CAD系统智能诊断的准确性。
考虑到在对乳腺区域进行超声成像时，可能会存在来自人为的或者外界环境的干扰，导致获取到的超声图像质量较低，进而导致根据超声图像识别的乳腺病灶的BI-RADS分级不够准确，从而可能会降低乳腺病灶分割的准确性。因此，在上述实施例的基础上，为了进一步排除干扰，提高乳腺病灶分割的准确性，本实施例提供的方法在确定与BI-RADS分级相对应的目标分割模型之前，还可以包括：接收用户的输入操作，输入操作用于对识别出的乳腺病灶的BI-RADS分级进行确认、修改或者补充；根据输入操作确定乳腺病灶的BI-RADS分级。用户可以通过外部输入设备如鼠标、键盘、触控屏等输入对乳腺病灶的BI-RADS分级的确认、修改或者补充信息。当用户认可识别出的BI-RADS分级时，进行确认；当用户认为识别出的BI-RADS分级存在错误时，进行修改；当识别出的BI-RADS分级存在缺失时，用户可以进行补充。也就是说根据用户的输入操作所确定的乳腺病灶的BI-RADS分级将更加准确，从而可以选出更加匹配的分割模型，有助于提高分割准确性。
为了便于用户查看超声图像中的乳腺病灶区域，在上述实施例的基础上，本实施例提供的方法还可以包括：在显示界面上显示从超声图像中分割得到的乳腺病灶区域。
请参考图5，本发明另一实施例提供的乳腺超声图像分割方法可以包括：
S501、获取被检者乳腺区域的超声图像，超声图像中包含乳腺病灶。
具体实施方式请参考S301，此处不再赘述。
S502、根据超声图像确定乳腺病灶的BI-RADS特征各类型的分类概率，BI-RADS特征包括形状特征、方向特征、边缘特征、内部回声特征、后方回声特征、钙化特征和血流特征中的至少一个。
本实施例中可以将获取到的超声图像输入预训练好的BI-RADS特征分类模型，以便确定乳腺病灶的BI-RADS特征各类型的分类概率。其中，BI-RADS特征分类模型以超声图像作为输入，输出超声图像中乳腺病灶的BI-RADS特征各类型的分类概率，可以根据标注了BI-RADS特征各类型的分类概率的样本超声图像训练得到。本实施例中可以仅确定乳腺病灶的一个BI-RADS特征各类型的分类概率，例如可以仅确定乳腺病灶属于形状特征中圆形、椭圆形和不规则形的分类概率，以图1中(a)为例，假设根据图1中(a)所示的超声图像确定其乳腺病灶属于形状特征中圆形、椭圆形和不规则形的分类概率分别为0.6、0.3和0.1。本实施例中还可以确定乳腺病灶属于多个BI-RADS特征各类型的分类概率，例如可以确定乳腺病灶属于形状特征中圆形、椭圆形和不规则形的分类概率，以及属于血流特征中无血流、边缘血流和内部血流的分类概率。各种BI-RADS特征的组合方式均可，此处不再一一赘述。
本实施例中还可以先对超声图像中的乳腺病灶进行检测、定位，即在超声图像中确定乳腺病灶的感兴趣区域(Region of Interest，ROI)，然后基于确定的乳腺病灶的感兴趣区域确定乳腺病灶的BI-RADS特征各类型的分类概率。其中，对乳腺病灶进行检测、定位的具体实施方式可以参考S302，此处不再赘述。
S503、采用BI-RADS特征各类型所对应的多个分割模型分别对超声图像进行乳腺病灶分割，得到与BI-RADS特征各类型相对应的多个乳腺病灶分割结果。
本实施例中可以针对BI-RADS特征的每一个类型预先构建相应的分割模型，例如对于形状特征，可以针对椭圆形、圆形和不规则形分别构建相应的分割模型；对于边缘特征，可以针对光整、模糊、成角、微分叶和毛刺分别构建相应的分割模型。构建分割模型的具体方法可以参考S303此处不再赘述。
对于获取到的超声图像，采用BI-RADS特征各类型所对应的多个分割模型分别进行乳腺病灶分割，得到多个分割结果。
本实施例中对于S502和S503的执行顺序不作限制。
S504、根据分类概率将与BI-RADS特征各类型相对应的多个乳腺病灶分割结果进行融合，得到超声图像中的乳腺病灶区域。
对于得到的多个分割结果根据分类概率进行融合，综合多个分割模型的分割结果，输出最终结果。例如可以将分类概率作为权重，对多个分割结果进行加权。还可以仅对大于预设概率阈值的分类概率所对应的分割结果进行融合，消除干扰因素，进一步提高分割准确性。
本实施例提供的乳腺超声图像分割方法，通过获取被检者乳腺区域的超声图像，并根据超声图像确定乳腺病灶的BI-RADS特征各类型的分类概率，然后采用BI-RADS特征各类型所对应的多个分割模型分别对超声图像进行乳腺病灶分割，得到与BI-RADS特征各类型相对应的多个乳腺病灶分割结果，最后根据分类概率将与BI-RADS特征各类型相对应的多个乳腺病灶分割结果进行融合，实现了对不同表现形态的乳腺病灶进行有针对性的融合。由于在确定乳腺病灶区域时充分考虑了乳腺病灶的特征，可以提高乳腺病灶区域分割的准确性，从而有助于提高CAD系统智能诊断的准确性。
BI-RADS特征包括有形状特征、方向特征、边缘特征、内部回声特征、后方回声特征、钙化特征和血流特征，可以根据任意一个或者多个BI-RADS特征各类型的分类概率用于进行乳腺病灶区域的确定。由于其中的边缘特征、形状特征和后方回声特征对于边界情况影响较为显著，下面将分别阐述如何根据边缘特征各类型的分类概率、形状特征各类型的分类概率和后方回声特征各类型的分类概率确定乳腺病灶区域。
一种可选的实施方式中，可以根据边缘特征各类型的分类概率对边缘特征各类型所对应的多个分割模型的分割结果进行融合，以确定最终的乳腺病灶区域。具体的，根据超声图像确定乳腺病灶的BI-RADS特征各类型的分类概率包括：根据超声图像确定乳腺病灶的边缘特征的类型分别为光整、模糊、成角、微分叶和毛刺的分类概率；采用BI-RADS特征各类型所对应的多个分割模型分别对超声图像进行乳腺病灶分割，得到与BI-RADS特征各类型相对应的多个乳腺病灶分割结果包括：采用光整分割模型、模糊分割模型、成角分割模型、微分叶分割模型和毛刺分割模型分别对超声图像进行乳腺病灶分割，得到分别与光整、模糊、成角、微分叶和毛刺相对应的多个乳腺病灶分割结果。本实施例中的光整分割模型、模糊分割模型、成角分割模型、微分叶分割模型和毛刺分割模型可以参考上文所述实施例，此处不再赘述。假设确定出图1中(a)的边缘特征的类型为光整、模糊、成角、微分叶和毛刺的概率分别为0.68、0.2、0.01、0.1和0.01，则可以采用0.68、0.2、0.01、0.1和0.01作为权重对光整分割模型、模糊分割模型、成角分割模型、微分叶分割模型和毛刺分割模型的分割结果进行加权。
一种可选的实施方式中，可以根据形状特征各类型的分类概率对形状特征各类型所对应的多个分割模型的分割结果进行融合，以确定最终的乳腺病灶区域。具体的，根据超声图像确定乳腺病灶的BI-RADS特征各类型的分类概率包括：根据超声图像确定乳腺病灶的形状特征的类型分别为椭圆形、圆形和不规则形的分类概率；采用BI-RADS特征各类型所对应的多个分割模型分别对超声图像进行乳腺病灶分割，得到与BI-RADS特征各类型相对应的多个乳腺病灶分割结果包括：采用椭圆形分割模型、圆形分割模型和不规则形分割模型分别对超声图像进行乳腺病灶分割，得到分别与椭圆形、圆形和不规则形相对应的多个乳腺病灶分割结果。本实施例中的椭圆形分割模型、圆形分割模型和不规则形分割模型可以参考上文所述实施例，此处不再赘述。假设确定出图1中(a)的形状特征的类型为椭圆形、圆形和不规则形的概率为0.1、0.85和0.05，则可以采用0.1、0.85和0.05作为权重对椭圆形分割模型、圆形分割模型和不规则形分割模型的分割结果进行加权。
一种可选的实施方式中，可以根据后方回声特征各类型的分类概率对后方回声特征各类型所对应的多个分割模型的分割结果进行融合，以确定最终的乳腺病灶区域。具体的，根据超声图像确定乳腺病灶的BI-RADS特征各类型的分类概率包括：根据超声图像确定乳腺病灶的后方回声特征的类型分别为增强、无改变、衰减和混合回声的分类概率；采用BI-RADS特征各类型所对应的多个分割模型分别对超声图像进行乳腺病灶分割，得到与BI-RADS特征各类型相对应的多个乳腺病灶分割结果包括：采用增强分割模型、无改变分割模型、衰减分割模型和混合回声分割模型分别对超声图像进行乳腺病灶分割，得到分别与增强、无改变、衰减和混合回声相对应的多个乳腺病灶分割结果。本实施例中的增强分割模型、无改变分割模型、衰减分割模型和混合回声分割模型可以参考上文所述实施例，此处不再赘述。假设确定出图1中(a)的后方回声特征的类型为增强、无改变、衰减和混合回声的概率为0.1、0.8、0.05和0.05，则可以采用0.1、0.8、0.05和0.05作为权重对增强分割模型、无改变分割模型、衰减分割模型和混合回声分割模型的分割结果进行加权。
上面分别阐述了如何根据边缘特征各类型的分类概率、形状特征各类型的分类概率或者后方回声特征各类型的分类概率确定乳腺病灶区域，需要说明的是，可以采用相似的方法根据方向特征各类型的分类概率、内部回声特征各类型的分类概率、钙化特征各类型的分类概率或者血流特征各类型的分类概率确定乳腺病灶区域，此处不再一一赘述。
为了便于用户查看超声图像中的乳腺病灶区域，在上述实施例的基础上，本实施例提供的方法还可以包括：在显示界面上显示从超声图像中分割得到的乳腺病灶区域。
请参考图6，本发明又一实施例提供的乳腺超声图像分割方法可以包括：
S601、获取被检者乳腺区域的超声图像，超声图像中包含乳腺病灶。
具体实施方式请参考S301，此处不再赘述。
S602、根据超声图像确定乳腺病灶属于各个BI-RADS分级的概率。
乳腺病灶的BI-RADS分级包括0级、1级、2级、3级、4a级、4b级、4c级、5级和6级。需要说明的是，BI-RADS 0级表示评估不完全，需要进一步影像学检查；BI-RADS 1级表示评估阴性，未发现病灶。本申请的病灶分割不涉及0级和1级，因此，本申请所识别的乳腺病灶的BI-RADS分级包括2级、3级、4a级、4b级、4c级、5级和6级中的一个。本实施例中既可以采用传统图像处理方法也可以采用深度学习的方法来根据超声图像确定乳腺病灶属于各个BI-RADS分级的概率。以深度学习的方法为例，可以基于标注了BI-RADS分级的样本超声图像训练BI-RADS分级分类模型，然后可以将获取到的超声图像输入预训练好的BI-RADS分级分类模型中，以便确定乳腺病灶属于各个BI-RADS分级的概率。
本实施例中还可以先对超声图像中的乳腺病灶进行检测、定位，即在超声图像中确定乳腺病灶的感兴趣区域(Region of Interest，ROI)，然后基于确定的乳腺病灶的感兴趣区域确定乳腺病灶属于各个BI-RADS分级的概率。其中，对乳腺病灶进行检测、定位的具体实施方式可以参考S302，此处不再赘述。
S603、采用第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型分别对超声图像进行乳腺病灶分割，得到分别与2级、3级、4a级、4b级、4c级、5级和6级相对应的多个乳腺病灶分割结果，第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型分别用于对BI-RADS分级为2级、3级、4a级、4b级、4c级、5级和6级的超声图像进行分割。
本实施例中的第一至第七分割模型可以参考S403，此处不再赘述。采用第一至第七分割模型分别对超声图像进行乳腺病灶分割，得到七个分割结果。
本实施例中对于S602和S603的执行顺序不做限制。
S604、根据乳腺病灶属于各个BI-RADS分级的概率对得到的多个乳腺病灶分割结果进行融合，得到超声图像中的乳腺病灶区域。
对于得到的七个分割结果根据分类概率进行融合，综合七个分割模型的分割结果，输出最终结果。例如可以将分类概率作为权重，对七个分割结果进行加权。还可以仅对大于预设概率阈值的分类概率所对应的分割结果进行融合，消除干扰因素，进一步提高分割准确性。
本实施例提供的乳腺超声图像分割方法，通过获取被检者乳腺区域的超声图像，并根据超声图像确定乳腺病灶属于各个BI-RADS分级的概率，然后采用第一至第七分割模型分别对超声图像进行乳腺病灶分割，得到七个乳腺病灶分割结果，最后根据乳腺病灶属于各个BI-RADS分级的概率对得到的七个乳腺病灶分割结果进行融合，实现了对不同表现形态的乳腺病灶进行有针对性的融合。由于在确定乳腺病灶区域时充分考虑了乳腺病灶的BI-RADS分级，可以提高乳腺病灶区域分割的准确性，从而有助于提高CAD系统智能诊断的准确性。
为了便于用户查看超声图像中的乳腺病灶区域，在上述实施例的基础上，本实施例提供的方法还可以包括：在显示界面上显示从超声图像中分割得到的乳腺病灶区域。
本文参照了各种示范实施例进行说明。然而，本领域的技术人员将认识到，在不脱离本文范围的情况下，可以对示范性实施例做出改变和修正。例如，各种操作步骤以及用于执行操作步骤的组件，可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
另外，如本领域技术人员所理解的，本文的原理可以反映在计算机可读存储介质上的计算机程序产品中，该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用，包括磁存储设备(硬盘、软盘等)、光学存储设备(CD-ROM、DVD、Blu Ray盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器，使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中，该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行，这样存储在计算机可读存储器中的指令就可以形成一件制造品，包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上，从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程，使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
虽然在各种实施例中已经示出了本文的原理，但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。
前述具体说明已参照各种实施例进行了描述。然而，本领域技术人员将认识到，可以在不脱离本披露的范围的情况下进行各种修正和改变。因此，对于本披露的考虑将是说明性的而非限制性的意义上的，并且所有这些修改都将被包含在其范围内。同样，有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而，益处、优点、问题的解决方案以及任何能产生这些的要素，或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体，皆属于非排他性包含，这样包括要素列表的过程、方法、文章或设备不仅包括这些要素，还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外，本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (20)

1.一种乳腺超声图像分割方法，其特征在于，包括：
获取被检者乳腺区域的超声图像，所述超声图像中包含乳腺病灶；
根据所述超声图像识别所述乳腺病灶的BI-RADS特征的类型，所述BI-RADS特征包括形状特征、方向特征、边缘特征、内部回声特征、后方回声特征、钙化特征和血流特征中的至少一个；
从预设的BI-RADS特征各类型所对应的多个分割模型中确定与所述BI-RADS特征的类型相对应的目标分割模型；
采用所述目标分割模型对所述超声图像进行乳腺病灶分割，从所述超声图像中分割出乳腺病灶区域。
2.如权利要求1所述的方法，其特征在于，
所述根据所述超声图像识别所述乳腺病灶的BI-RADS特征的类型包括：根据所述超声图像识别所述乳腺病灶的边缘特征的类型；
所述从预设的BI-RADS特征各类型所对应的多个分割模型中确定与所述BI-RADS特征的类型相对应的目标分割模型包括：从预设的光整分割模型、模糊分割模型、成角分割模型、微分叶分割模型和毛刺分割模型中确定与所述边缘特征的类型相对应的目标分割模型，所述光整分割模型、模糊分割模型、成角分割模型、微分叶分割模型和毛刺分割模型分别用于对边缘特征的类型为光整、模糊、成角、微分叶和毛刺的超声图像进行分割。
3.如权利要求1所述的方法，其特征在于，
所述根据所述超声图像识别所述乳腺病灶的BI-RADS特征的类型包括：根据所述超声图像识别所述乳腺病灶的形状特征的类型；
所述从预设的BI-RADS特征各类型所对应的多个分割模型中确定与所述BI-RADS特征的类型相对应的目标分割模型包括：从预设的椭圆形分割模型、圆形分割模型和不规则形分割模型中确定与所述形状特征的类型相对应的目标分割模型，所述椭圆形分割模型、圆形分割模型和不规则形分割模型分别用于对形状特征的类型为椭圆形、圆形和不规则形的超声图像进行分割。
4.如权利要求1所述的方法，其特征在于，
所述根据所述超声图像识别所述乳腺病灶的BI-RADS特征的类型包括：根据所述超声图像识别所述乳腺病灶的后方回声特征的类型；
所述从预设的BI-RADS特征各类型所对应的多个分割模型中确定与所述BI-RADS特征的类型相对应的目标分割模型包括：从预设的增强分割模型、无改变分割模型、衰减分割模型和混合回声分割模型中确定与所述后方回声特征的类型相对应的目标分割模型，所述增强分割模型、无改变分割模型、衰减分割模型和混合回声分割模型分别用于对后方回声特征的类型为增强、无改变、衰减和混合回声的超声图像进行分割。
5.如权利要求1所述的方法，其特征在于，所述确定与所述BI-RADS特征的类型相对应的目标分割模型之前，所述方法还包括：
接收用户的输入操作，所述输入操作用于对识别出的所述乳腺病灶的BI-RADS特征的类型进行确认、修改或者补充；
根据所述输入操作确定所述乳腺病灶的BI-RADS特征的类型。
6.如权利要求1所述的方法，其特征在于，若所述目标分割模型包括多个分割模型，则所述采用所述目标分割模型对所述超声图像进行乳腺病灶分割，从所述超声图像中分割出乳腺病灶区域包括：
采用所述目标分割模型中的每一个分割模型分别对所述超声图像进行乳腺病灶分割；
将所述目标分割模型包括的多个分割模型得到的分割结果进行融合，得到所述超声图像中的乳腺病灶区域。
7.如权利要求1-6任一项所述的方法，其特征在于，所述获取被检者乳腺区域的超声图像，包括：
向所述被检者的乳腺区域发射超声波，并接收所述乳腺区域返回的超声回波，得到超声回波数据，根据所述超声回波数据实时生成所述被检者乳腺区域的超声图像；
或者，
从存储设备中获取预先存储的被检者乳腺区域的超声图像。
8.如权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：在显示界面上显示从所述超声图像中分割得到的乳腺病灶区域。
9.一种乳腺超声图像分割方法，其特征在于，包括：
获取被检者乳腺区域的超声图像，所述超声图像中包含乳腺病灶；
根据所述超声图像识别所述乳腺病灶的BI-RADS分级；
从预设的第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型中确定与所述BI-RADS分级相对应的目标分割模型，所述第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型分别用于对BI-RADS分级为2级、3级、4a级、4b级、4c级、5级和6级的超声图像进行分割；
采用所述目标分割模型对所述超声图像进行乳腺病灶分割，从所述超声图像中分割出乳腺病灶区域。
10.如权利要求9所述的方法，其特征在于，所述确定与所述BI-RADS分级相对应的目标分割模型之前，所述方法还包括：
接收用户的输入操作，所述输入操作用于对识别出的所述乳腺病灶的BI-RADS分级进行确认、修改或者补充；
根据所述输入操作确定所述乳腺病灶的BI-RADS分级。
11.如权利要求9或10所述的方法，其特征在于，所述方法还包括：在显示界面上显示从所述超声图像中分割得到的乳腺病灶区域。
12.一种乳腺超声图像分割方法，其特征在于，包括：
获取被检者乳腺区域的超声图像，所述超声图像中包含乳腺病灶；
根据所述超声图像确定所述乳腺病灶的BI-RADS特征各类型的分类概率，所述BI-RADS特征包括形状特征、方向特征、边缘特征、内部回声特征、后方回声特征、钙化特征和血流特征中的至少一个；
采用所述BI-RADS特征各类型所对应的多个分割模型分别对所述超声图像进行乳腺病灶分割，得到与所述BI-RADS特征各类型相对应的多个乳腺病灶分割结果；
根据所述分类概率将与所述BI-RADS特征各类型相对应的多个乳腺病灶分割结果进行融合，得到所述超声图像中的乳腺病灶区域。
13.如权利要求12所述的方法，其特征在于，
所述根据所述超声图像确定所述乳腺病灶的BI-RADS特征各类型的分类概率包括：根据所述超声图像确定所述乳腺病灶的边缘特征的类型分别为光整、模糊、成角、微分叶和毛刺的分类概率；
所述采用所述BI-RADS特征各类型所对应的多个分割模型分别对所述超声图像进行乳腺病灶分割，得到与所述BI-RADS特征各类型相对应的多个乳腺病灶分割结果包括：采用光整分割模型、模糊分割模型、成角分割模型、微分叶分割模型和毛刺分割模型分别对所述超声图像进行乳腺病灶分割，得到分别与光整、模糊、成角、微分叶和毛刺相对应的多个乳腺病灶分割结果。
14.如权利要求12所述的方法，其特征在于，
所述根据所述超声图像确定所述乳腺病灶的BI-RADS特征各类型的分类概率包括：根据所述超声图像确定所述乳腺病灶的形状特征的类型分别为椭圆形、圆形和不规则形的分类概率；
所述采用所述BI-RADS特征各类型所对应的多个分割模型分别对所述超声图像进行乳腺病灶分割，得到与所述BI-RADS特征各类型相对应的多个乳腺病灶分割结果包括：采用椭圆形分割模型、圆形分割模型和不规则形分割模型分别对所述超声图像进行乳腺病灶分割，得到分别与椭圆形、圆形和不规则形相对应的多个乳腺病灶分割结果。
15.如权利要求12所述的方法，其特征在于，
所述根据所述超声图像确定所述乳腺病灶的BI-RADS特征各类型的分类概率包括：根据所述超声图像确定所述乳腺病灶的后方回声特征的类型分别为增强、无改变、衰减和混合回声的分类概率；
所述采用所述BI-RADS特征各类型所对应的多个分割模型分别对所述超声图像进行乳腺病灶分割，得到与所述BI-RADS特征各类型相对应的多个乳腺病灶分割结果包括：采用增强分割模型、无改变分割模型、衰减分割模型和混合回声分割模型分别对所述超声图像进行乳腺病灶分割，得到分别与增强、无改变、衰减和混合回声相对应的多个乳腺病灶分割结果。
16.如权利要求12-15任一项所述的方法，其特征在于，所述方法还包括：在显示界面上显示从所述超声图像中分割得到的乳腺病灶区域。
17.一种乳腺超声图像分割方法，其特征在于，包括：
获取被检者乳腺区域的超声图像，所述超声图像中包含乳腺病灶；
根据所述超声图像确定所述乳腺病灶属于各个BI-RADS分级的概率；
采用第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型分别对所述超声图像进行乳腺病灶分割，得到分别与2级、3级、4a级、4b级、4c级、5级和6级相对应的多个乳腺病灶分割结果，所述第一分割模型、第二分割模型、第三分割模型、第四分割模型、第五分割模型、第六分割模型和第七分割模型分别用于对BI-RADS分级为2级、3级、4a级、4b级、4c级、5级和6级的超声图像进行分割；
根据所述乳腺病灶属于各个BI-RADS分级的概率对得到的所述多个乳腺病灶分割结果进行融合，得到所述超声图像中的乳腺病灶区域。
18.如权利要求17所述的方法，其特征在于，所述方法还包括：在显示界面上显示从所述超声图像中分割得到的乳腺病灶区域。
19.一种超声成像设备，其特征在于，包括：
超声探头；
发射电路，用于按照设定模式将相应的发射序列输出至所述超声探头，以控制所述超声探头发射相应的超声波；
接收电路，用于接收所述超声探头输出的超声回波信号，输出超声回波数据；
显示器，用于输出可视化信息；
处理器，用于执行如权利要求1-18任一项所述的乳腺超声图像分割方法。
20.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-18任一项所述的乳腺超声图像分割方法。
CN202111356385.1A 2021-11-16 2021-11-16 乳腺超声图像分割方法及设备 Pending CN114170241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111356385.1A CN114170241A (zh) 2021-11-16 2021-11-16 乳腺超声图像分割方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111356385.1A CN114170241A (zh) 2021-11-16 2021-11-16 乳腺超声图像分割方法及设备

Publications (1)

Publication Number Publication Date
CN114170241A true CN114170241A (zh) 2022-03-11

Family

ID=80479405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111356385.1A Pending CN114170241A (zh) 2021-11-16 2021-11-16 乳腺超声图像分割方法及设备

Country Status (1)

Country Link
CN (1) CN114170241A (zh)

Similar Documents

Publication Publication Date Title
CN114027880B (zh) 超声图像中参数测量的方法和超声成像系统
CN107480677B (zh) 一种识别三维ct图像中感兴趣区域的方法及装置
CN109949271B (zh) 一种基于医学图像的检测方法、模型训练的方法及装置
CN112469340A (zh) 具有用于引导式肝成像的人工神经网络的超声系统
CN106204465A (zh) 基于知识的超声图像增强
CN111932495B (zh) 一种医学图像检测方法、装置及存储介质
CN113744215B (zh) 三维断层扫描图像中树状管腔结构中心线的提取方法和装置
CN114159099A (zh) 乳腺超声成像方法及设备
WO2021120059A1 (zh) 三维体数据的测量方法、测量系统、医疗器械及存储介质
CN113768544A (zh) 乳腺的超声成像方法及设备
CN114170241A (zh) 乳腺超声图像分割方法及设备
US20240212132A1 (en) Predicting a likelihood that an individual has one or more lesions
CN115517709A (zh) 超声成像方法和超声成像系统
CN114699106A (zh) 超声图像处理方法及设备
CN114202514A (zh) 乳腺超声图像分割方法及设备
CN112294361A (zh) 一种超声成像设备、盆底的切面图像生成方法
US11413019B2 (en) Method and apparatus for displaying ultrasound image of target object
CN115708694A (zh) 超声图像处理方法及设备
CN111383323A (zh) 一种超声成像方法和系统以及超声图像处理方法和系统
US11972584B2 (en) Tissue specific time gain compensation methods and systems
CN113197596B (zh) 超声成像设备及其超声回波数据的处理方法
CN113939236B (zh) 一种超声成像设备及其超声回波信号的处理方法
US20240273726A1 (en) Device Agnostic Systems and Methods for Acquiring and Analyzing Images from an Ultrasound Probe
EP4248879A1 (en) Information processing device, information processing method, and program
CN114266917A (zh) 病灶预测模型的在线学习方法及设备

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