CN115227293A - 一种基于宽带超声回波特征的乳腺肿瘤筛查方法和装置 - Google Patents
一种基于宽带超声回波特征的乳腺肿瘤筛查方法和装置 Download PDFInfo
- Publication number
- CN115227293A CN115227293A CN202210871399.5A CN202210871399A CN115227293A CN 115227293 A CN115227293 A CN 115227293A CN 202210871399 A CN202210871399 A CN 202210871399A CN 115227293 A CN115227293 A CN 115227293A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- breast tumor
- time
- signal
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
- A61B8/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/70—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
- G06T2207/10132—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Vascular Medicine (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于宽带超声回波特征的乳腺肿瘤筛查方法和装置,包括以下步骤:S1、超声信号采集;S2、超声信号标注:分别计算信号包络和时频谱,包络对数压缩得到超声图像,标注图像病灶位置和类型,构建乳腺肿瘤超声图像数据集和乳腺肿瘤超声信号时频谱数据集;S3、图像数据集训练:训练图像数据集得到病灶位置检测模型;S4、时频谱数据集训练:训练信号时频谱数据集得到乳腺肿瘤分类模型;S5、模型预测:使用病灶位置检测模型标记测试集图像肿瘤区域,并使用乳腺肿瘤分类模型预测被标记区域信号的肿瘤类型;S6、预测结果可视化。本发明能够在乳腺肿瘤筛查中实现比传统图像诊断模型更快更准的病灶定位和良恶性诊断效果,具有广泛应用前景。
Description
技术领域
本发明涉及一种超声医学成像技术,特别涉及一种基于宽带超声回波特征的乳腺肿瘤筛查方法和装置。
背景技术
医学超声检查是一种普遍被应用的乳腺检查方式。专业医生往往通过操作超声换能器完成对可疑区域的动态检查。临床上对超声下的乳腺病灶评估要综合考虑可疑区域的大小、形状、边缘、方向以及灰度等特征。如果医生认为检查区域有癌变几率,则需要进一步的穿刺活检确认。这种筛查一方面是主观的、定性的,假阳性率较高,造成了很多不必要的穿刺活检;另一方面,这种筛查费时费力,非常需要医师的经验,阻碍了乳腺肿瘤筛查的普及。
目前,学界对于计算机辅助超声乳腺肿瘤筛查算法的研究主要有两个方向。部分研究从超声回波射频信号的频域特征或统计学特征入手,对乳腺病灶进行了定量的分析。常见的超声定量特征包括散射系数、衰减率、散射子大小、Nakagami分布模型参数以及Homodyned-K分布模型参数等。这些人工设计并提取的参数能够一定程度上表征组织的物理特征或者微观结构特征。然而,定量超声研究往往面临着准确率低、计算难的问题。另一部分研究从图像和视觉角度出发对乳腺超声影像进行分析。这其中,各类深度学习模型在乳腺超声的检测、诊断问题上取得了较好的效果。然而深度学习模型在超声影像的应用上受到数据规模、数据质量、以及可解释性不强等诸多问题的制约。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于宽带超声回波特征的乳腺肿瘤筛查方法。该筛查方法首先基于超声图像利用目标检测模型在超声图像中对乳腺病灶进行定位和初步分类,然后利用超声回波射频信号的时频谱特征,使用统计学习模型对病灶内部的组织进行局部的分析和识别。最后,使用不同的颜色在图像中标记出局部病灶的病变类型和病变程度,从而实现对乳腺肿瘤超声图像的初步筛查。
为实现上述目的,本发明采用如下的技术方案:
一种基于宽带超声回波特征的乳腺肿瘤筛查方法,包括以下步骤:
步骤S1、超声信号采集:使用宽频或多频超声换能器对乳腺进行多角度扫描,获取超声回波射频信号;
步骤S2、超声信号标注:对超声回波射频信号分别计算包络和时频谱,对包络做对数压缩得到超声图像,在超声图像上标注肿瘤病灶位置、轮廓和类型,构建乳腺肿瘤超声图像数据集,同时保存标注位置区域的时频谱,提取时频谱特征参数,构建乳腺肿瘤超声信号时频谱数据集;
步骤S3、图像数据集训练:通过目标检测模型训练乳腺肿瘤超声图像数据集,得到基于超声图像的乳腺肿瘤病灶位置检测模型;
步骤S4、时频谱数据集训练:通过统计学习模型训练乳腺肿瘤超声信号时频谱数据集,得到基于时频谱特征参数的乳腺肿瘤分类模型;
步骤S5、模型预测:使用训练好的乳腺肿瘤病灶位置检测模型标记测试集图像中肿瘤所在区域,并使用乳腺肿瘤分类模型预测被标记区域信号的所属肿瘤类型,加权计算两模型各自的预测概率得到测试样本的最终预测概率值;
步骤S6、预测结果可视化:根据病灶类型和预测概率对超声图像中的病灶做颜色编码,生成高对比度的宽带超声声谱图像,实现乳腺肿瘤筛查的高对比度及高分辨率可视化。
作为优选,步骤S1中使用宽频或多频超声换能器对乳腺进行多角度扫描,获取超声回波射频信号;所述宽频超声换能器具有宽带宽范围,包含更宽频率范围的信息,有利于对信号时频谱的分析。所述多频超声换能器具有多个中心频率和带宽范围,组合成宽频带宽范围。
作为优选,步骤S2中,对超声信号做希尔伯特变换,合并每列信号的包络,得到超声图像,并在超声图像上标注乳腺位置、轮廓和病变类型,建立以每帧图像为样本,病变类型为标签的乳腺肿瘤超声图像数据集。
作为优选,步骤S2中所述信号时频谱获取方法如下:对超声图像逐列对应的信号使用小波变换,计算任意时刻信号在不同频率下的时频谱系数。合并每一列的信号时频系数谱,就得到了图像中任意位置信号的时频系数谱,从而获得信号时频特征信息。
作为优选,步骤S2中使用设定大小的滑窗网格为样本单位,计算每个样本内基于时频谱系数可计算出来且不完全线性相关的数学统计量,如时频谱均值、方差、峰度、偏度等,将这些数学统计量作为特征参数,样本所属肿瘤类别为标签,构建信号时频谱数据集。特别的,当滑窗网格大小为1*1的像素时,可以将像素点对应时频谱系数作为样本特征参数构建数据集。
作为优选,步骤S3中通过基于深度学习的目标检测模型训练乳腺肿瘤超声图像数据集。首先将超声图像数据集按比例划分为训练集、验证集和测试集,然后使用目标检测模型交叉训练训练集和验证集,得到病灶位置检测模型,用病灶位置检测模型预测测试集超声图像数据,计算敏感性、特异性等性能指标,调参优化,实现对测试集病灶位置和类型的识别。
作为优选,步骤S4中通过统计学习模型训练乳腺肿瘤超声信号时频谱数据集。首先将超声信号时频谱数据集按比例划分为训练集、验证集和测试集,然后使用统计学习模型交叉训练训练集和验证集,得到乳腺肿瘤分类模型,用乳腺肿瘤分类模型预测测试集超声信号时频谱数据,计算敏感性、特异性等性能指标,调参优化,实现对测试集病灶内样本点的肿瘤病变类型及程度识别。
作为优选,步骤S5中给定测试集中某一帧超声图像及其对应信号时频谱,使用乳腺肿瘤病灶位置检测模型标记出测试集图像中肿瘤所在区域,并使用乳腺肿瘤分类模型预测被标记区域对应信号时频谱的所属肿瘤类型。病灶位置检测模型能同时给出图像中肿瘤所在区域及所属类别概率,在此基础上,肿瘤分类模型给出区域内所有样本点对应信号时频谱的类别概率,通过加权计算得到肿瘤区域全部样本点的最终预测概率。
作为优选,步骤S6中根据病灶类型和预测概率对超声图像中的病灶进行HSV颜色编码,生成高对比度的宽带超声声谱图像,其中预测目标区域的种类表示为色相(Hue)、预测的置信度表示为饱和度(Saturation)、信号的幅值表示为亮度(Value),最终实现乳腺肿瘤筛查的高对比度可视化。
本发明还提供一种基于宽带超声回波特征的乳腺肿瘤筛查装置,包括:
超声信号采集模块,使用宽频或多频超声换能器对乳腺进行多角度扫描,获取超声回波射频信号;
超声信号标注模块,对超声回波射频信号分别计算包络和时频谱,对包络进行对数压缩得到超声图像,在超声图像上标注肿瘤病灶位置、轮廓和类型,构建乳腺肿瘤超声图像数据集,同时保存标注位置区域的时频谱,提取时频谱特征参数,构建乳腺肿瘤超声信号时频谱数据集;
超声数据集训练模块,通过目标检测模型训练乳腺肿瘤超声图像数据集,得到基于超声图像的乳腺肿瘤病灶位置检测模型;
时频谱数据集训练模块,通过统计学习模型训练乳腺肿瘤超声信号时频谱数据集,得到基于时频谱特征参数的乳腺肿瘤分类模型;
模型预测模块,使用训练好的乳腺肿瘤病灶位置检测模型标记测试集图像中肿瘤所在区域,并使用乳腺肿瘤分类模型预测被标记区域信号的所属肿瘤类型,加权计算两模型各自的预测概率得到测试样本的最终预测概率值;
预测结果可视化模块,根据病灶类型和预测概率对超声图像中的病灶做颜色编码,生成高对比度的宽带超声声谱图像,实现乳腺肿瘤筛查的高对比度可视化。
本发明具有以下技术效果:
本发明使用宽频或多频超声换能器对乳腺进行多角度扫描,获取超声回波射频信号;对超声回波射频信号分别计算包络和时频谱,对包络进行对数压缩得到超声图像,在超声图像上标注肿瘤病灶位置、轮廓和类型,构建乳腺肿瘤超声图像数据集,同时保存标注位置区域的时频谱,提取时频谱特征参数,构建乳腺肿瘤超声信号时频谱数据集;通过基于深度学习的目标检测模型训练乳腺肿瘤超声图像数据集,得到基于超声图像的乳腺肿瘤病灶位置检测模型;通过统计学习模型训练乳腺肿瘤超声信号时频谱数据集,得到基于时频谱特征参数的乳腺肿瘤分类模型;使用训练好的乳腺肿瘤病灶位置检测模型标记测试集图像中肿瘤所在区域,并使用乳腺肿瘤分类模型预测被标记区域信号的所属肿瘤类型,加权计算两模型各自的预测概率得到测试样本的最终预测概率值;根据病灶类型和预测概率对超声图像中的病灶做颜色编码,生成高对比度的宽带超声声谱图像,实现乳腺肿瘤筛查的高对比度可视化。本发明提出了结合超声图像特征与超声背向散射信号时频谱特征的乳腺肿瘤筛查方法,在智能超声影像分析方法的基础上增加了结构性的、具有物理解释性的频谱特征分析,使得超声乳腺肿瘤筛查结果更加精准可靠。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程示意图。
图2是无病灶正常乳腺(a)、乳腺良性肿瘤(b)和乳腺恶性肿瘤超声图(c)。
图3是时频转换示意图。(a)是射频信号取包络和对数压缩后得到的超声图像;(b)是射频信号在不同频率下对应的小波谱系数重建得到的图像。
图4是病灶边界标注示意图。其中灰色实线是由专业医师标注的乳腺肿瘤区域边界,黑色虚线是灰色实线向外扩张得到的外边界线,白色虚线是灰色实线向内收缩得到的内边界线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
本发明公开了一种基于宽带超声回波特征的乳腺肿瘤筛查方法,包括以下步骤:
步骤S1、超声信号采集:使用宽频或多频超声换能器对乳腺进行多角度扫描,获取超声回波射频信号;
作为本实施例的一种实施方式,使用宽频或多频超声换能器从患者病灶的横纵面、切面等不同方位慢速滑动扫描乳腺区域,获取多帧超声回波射频信号并保存用于离线处理。
步骤S2、超声信号标注:对超声回波射频信号分别计算包络和时频谱,对包络进行对数压缩得到超声图像,在超声图像上标注肿瘤病灶位置、轮廓和类型,构建乳腺肿瘤超声灰度图像数据集,同时保存标注位置区域的时频谱,提取时频谱特征参数,构建乳腺肿瘤超声信号时频谱数据集;
作为本实施例的一种实施方式,使用希尔伯特变换和对数压缩将每帧超声信号转换成可视化的超声图形式。其实施方式为,对每列超声射频信号x(t)进行如下操作:
Y(t)=20×log10(1+H[x(t)])
其中,H[x(t)]为对超声射频信号x(t)的希尔伯特变换,定义为
Y(t)是超声射频信号x(t)经希尔伯特变换后得到的包络再经过对数压缩后得到的,它体现了信号的幅值信息,在超声图像上体现为灰度的变化,不同病变类型的乳腺超声图像如图2所示。
作为本实施例的一种实施方式,对于一帧超声回波射频信号,其数据构成为以采样点数为行,扫描线数为列的数据矩阵。采样点对应空间中纵向不同深度位置处组织的回波信号。对列信号做一维连续小波变换,得到此列信号的时频谱系数。实施连续一维小波变换的方式为:
其中,CWT{x(t);a,b}表示信号x(t)在尺度a,深度b处的连续小波谱系数,尺度与频率成反比;是小波基底。一维连续小波变换在数值处理分析软件中可以快速实现。对于数据矩阵的每一列执行一维连续小波变换,将数据扩充为一个三维矩阵,此矩阵的数据构成为:采样点数×扫描线数×尺度(频率)数,如图3所示。图3(a)是射频信号取包络和对数压缩后得到的灰度图像;图3(b)是射频信号在不同频率下对应的小波谱系数重建得到的图像。
作为本实施例的一种实施方式,如图4所示,在超声图像中标注乳腺肿瘤区域,构建超声灰度图像数据集。其中灰色实线是由专业医师标注的乳腺肿瘤区域边界,黑色虚线是灰色实线向外扩张得到的外边界线,白色虚线是灰色实线向内收缩得到的内边界线。用于训练每种组织的信号时频谱数据将来自于各自内边界轮廓线之内,用于训练各组织之外的背景信号时频谱数据将来自于所有组织轮廓线外边界之外;内边界和外边界轮廓线之间的区域可不参与训练,这一方法主要用于减小边界不清晰区域对数据标注造成的影响;。
作为本实施例的一种实施方式,使用设定大小的滑窗网格为样本单位,计算每个样本内基于时频谱系数可计算出来且不完全线性相关的数学统计量,如时频谱均值、方差、峰度、偏度等,将这些数学统计量作为特征参数,样本所属肿瘤类别为标签,构建信号时频谱数据集。特别的,当滑窗网格大小为1*1的像素时,可以将像素点对应时频谱系数作为样本特征参数构建数据集。
步骤S3、图像数据集训练:通过目标检测模型训练乳腺肿瘤超声图像数据集,得到基于超声图像的乳腺肿瘤病灶位置检测模型;
作为本实施例的一种实施方式,在开源目标检测模型如Faster-RCNN、YOLO等模型基础上根据数据特征做调整优化,优化后的模型在步骤S2所得乳腺肿瘤超声图像数据集上进行训练,得到一个能够以高帧率、高灵敏度和高准确度检测超声图像中是否存在肿瘤病灶并给出病灶位置的模型。
步骤S4、时频谱数据集训练:通过统计学习模型训练乳腺肿瘤超声信号时频谱数据集,得到基于时频谱特征参数的乳腺肿瘤分类模型;
作为本实施例的一种实施方式,在开源统计学习模型如LightGBM集成学习、前馈神经网络等模型基础上根据数据特征做调整优化,优化后的模型在步骤S2所得乳腺肿瘤超声信号时频谱数据集上进行训练,得到一个能够以局部病灶回波信号时频谱为特征预测病灶内部样本点类别和概率的模型。
步骤S5、模型预测:使用训练好的乳腺肿瘤病灶位置检测模型标记测试集图像中肿瘤所在区域,并使用乳腺肿瘤分类模型预测被标记区域信号的所属肿瘤类型,加权计算两模型各自的预测概率得到测试样本的最终预测概率值;
作为本实施例的一种实施方式,给定测试集中某一帧超声图像及其对应信号时频谱,使用乳腺肿瘤病灶位置检测模型标记出测试集图像中肿瘤所在区域,并使用乳腺肿瘤分类模型预测被标记区域对应信号时频谱的所属肿瘤类型。病灶位置检测模型能同时给出图像中肿瘤所在区域及所属类别概率,在此基础上,乳腺肿瘤分类模型给出区域内所有样本点对应信号时频谱的类别概率,通过加权计算得到肿瘤区域全部样本点的最终预测概率。
步骤S6、预测结果可视化:根据病灶类型和预测概率对超声图像中的病灶做颜色编码,生成高对比度的宽带超声声谱图像,实现乳腺肿瘤筛查的高对比度可视化;
作为本实施例的一种实施方式,根据病灶类型和预测概率对超声图像中的病灶做HSV颜色编码,生成高对比度的宽带超声声谱图像,其中预测目标区域的种类表示为色相(Hue)、预测的置信度表示为饱和度(Saturation)、信号的幅值表示为亮度(Value),最终实现乳腺肿瘤筛查的高对比度可视化。
实施例2:
本发明还提供一种基于宽带超声回波特征的乳腺肿瘤筛查装置,包括:
超声信号采集模块,使用宽频或多频超声换能器对乳腺进行多角度扫描,获取超声回波射频信号;
超声信号标注模块,对超声回波射频信号分别计算包络和时频谱,对包络进行对数压缩得到超声图像,在超声图像上标注肿瘤病灶位置、轮廓和类型,构建乳腺肿瘤超声图像数据集,同时保存标注位置区域的时频谱,提取时频谱特征参数,构建乳腺肿瘤超声信号时频谱数据集;
图像数据集训练模块,通过目标检测模型训练乳腺肿瘤超声图像数据集,得到基于超声图像的乳腺肿瘤病灶位置检测模型;
时频谱数据集训练模块,通过统计学习模型训练乳腺肿瘤超声信号时频谱数据集,得到基于时频谱特征参数的乳腺肿瘤分类模型;
模型预测模块,使用训练好的乳腺肿瘤病灶位置检测模型标记测试集图像中肿瘤所在区域,并使用乳腺肿瘤分类模型预测被标记区域信号的所属肿瘤类型,加权计算两模型各自的预测概率得到测试样本的最终预测概率值;
预测结果可视化模块,根据病灶类型和预测概率对超声图像中的病灶做颜色编码,生成高对比度的宽带超声声谱图像,实现乳腺肿瘤筛查的高对比度可视化。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于宽带超声回波特征的乳腺肿瘤筛查方法,其特征在于,包括以下步骤:
步骤S1、超声信号采集:使用宽频或多频超声换能器对乳腺进行多角度扫描,获取超声回波射频信号;
步骤S2、超声信号标注:对超声回波射频信号分别计算包络和时频谱,对包络进行对数压缩得到超声灰度图像,在超声灰度图像上标注肿瘤病灶位置、轮廓和类型,构建乳腺肿瘤超声灰度图像数据集,同时保存标注位置区域的时频谱,提取时频谱特征参数,构建乳腺肿瘤超声信号时频谱数据集;
步骤S3、图像数据集训练:通过目标检测算法训练乳腺肿瘤超声灰度图像数据集,得到基于超声图像的乳腺肿瘤病灶位置检测模型;
步骤S4、时频谱数据集训练:通过统计学习算法训练乳腺肿瘤超声信号时频谱数据集,得到基于时频谱特征参数的乳腺肿瘤分类模型;
步骤S5、模型预测:使用训练好的乳腺肿瘤病灶位置检测模型标记测试集图像中肿瘤所在区域,然后使用乳腺肿瘤分类模型预测被标记区域信号的所属肿瘤类型,加权计算两模型各自的预测概率得到测试样本的最终预测概率值;
步骤S6、预测结果可视化:根据病灶类型和预测概率对超声图像中的病灶做颜色编码,生成高对比度的宽带超声声谱图像,实现乳腺肿瘤筛查的高对比度及高分辨率可视化。
2.根据权利要求1所述的基于宽带超声回波特征的乳腺肿瘤筛查方法,其特征在于,步骤S1中,所述超声回波射频信号指超声设备硬件波束形成之后的超声信号;可选的,保存每一阵元的回波信号,然后使用自定义的波束形成算法生成所述超声回波射频信号。
3.根据权利要求1所述的基于宽带超声回波特征的乳腺肿瘤筛查方法,其特征在于,步骤S2中,信号时频谱获取方法如下:对超声图像逐列对应的信号进行时频变换,计算任意时刻信号在不同频率下的时频谱系数;合并每一列的信号时频系数谱,得到了图像中任意位置信号的时频系数谱,从而获得信号时频特征信息。
4.根据权利要求1所述的基于宽带超声回波特征的乳腺肿瘤筛查方法,其特征在于,步骤S2中,超声灰度图像肿瘤区域标注方法如下:标注肿瘤区域的轮廓形成闭环,轮廓线内的图像可用于灰度图像数据集的训练;特别的,由轮廓线通过自定义算法向两侧扩展小段距离,分别得到外边界轮廓线和内边界轮廓线,以减小边界不清晰区域对数据标注造成的影响;用于训练每种组织的信号时频谱数据将来自于各自内边界轮廓线之内,用于训练各组织之外的背景信号时频谱数据将来自于所有组织轮廓线外边界之外;内边界和外边界轮廓线之间的区域可不参与训练。
5.根据权利要求1所述的基于宽带超声回波特征的乳腺肿瘤筛查方法,其特征在于,在步骤S2中,时频谱特征参数的提取方法如下:使用设定大小的滑窗网格为样本单位,计算每个样本内基于时频谱系数可计算出来且不完全线性相关的数学统计量,如时频谱均值、方差、峰度、偏度等,将这些数学统计量作为特征参数,样本所属肿瘤类别为标签,构建信号时频谱数据集;特别的,当滑窗网格大小为1*1的像素时,可以将像素点对应时频谱系数作为样本特征参数构建数据集。
6.根据权利要求1所述的基于宽带超声回波特征的乳腺肿瘤筛查方法,其特征在于,在步骤S3中,通过目标检测模型训练由步骤S2得到的乳腺肿瘤超声图像数据集,得到基于超声图像的乳腺肿瘤病灶位置检测模型。
7.根据权利要求1所述的基于宽带超声回波特征的乳腺肿瘤筛查方法,其特征在于,在步骤S4中,通过统计学习模型训练由步骤S2得到的乳腺肿瘤超声信号时频谱数据集,得到基于信号时频谱特征参数的乳腺肿瘤分类模型。
8.根据权利要求1所述的基于宽带超声回波特征的乳腺肿瘤筛查方法,其特征在于,在步骤S5中,给定测试集中某一帧超声图像及其对应信号时频谱,使用乳腺肿瘤病灶位置检测模型标记出测试集图像中肿瘤所在区域,并使用肿瘤分类模型预测被标记区域对应信号时频谱的所属肿瘤类型;病灶位置检测模型同时给出图像中肿瘤所在区域及所属类别概率,在此基础上,乳腺肿瘤分类模型给出区域内所有样本点对应信号时频谱的类别概率,通过加权计算得到肿瘤区域全部样本点的最终预测概率。
9.根据权利要求1所述的基于宽带超声回波特征的乳腺肿瘤筛查方法,其特征在于,步骤S6中,根据病灶类型和预测概率对超声图像中的病灶进行颜色编码;可选的,进行HSV颜色编码,生成高对比度的宽带超声声谱图像,其中预测目标区域的种类表示为色相(Hue)、预测的置信度表示为饱和度(Saturation)、信号的幅值表示为亮度(Value),最终实现乳腺肿瘤筛查的高对比度可视化。
10.一种基于宽带超声回波特征的乳腺肿瘤筛查装置,其特征在于,包括:
超声信号采集模块,使用宽频或多频超声换能器对乳腺进行多角度扫描,获取超声回波射频信号;
超声信号标注模块,对超声回波射频信号分别计算包络和时频谱,对包络进行对数压缩得到超声图像,在超声图像上标注肿瘤病灶位置、轮廓和类型,构建乳腺肿瘤超声图像数据集,同时保存标注位置区域的时频谱,提取时频谱特征参数,构建乳腺肿瘤超声信号时频谱数据集;
超声数据集训练模块,通过目标检测模型训练乳腺肿瘤超声图像数据集,得到基于超声图像的乳腺肿瘤病灶位置检测模型;
时频谱数据集训练模块,通过统计学习模型训练乳腺肿瘤超声信号时频谱数据集,得到基于时频谱特征参数的乳腺肿瘤分类模型;
模型预测模块,使用训练好的乳腺肿瘤病灶位置检测模型标记测试集图像中肿瘤所在区域,并使用乳腺肿瘤分类模型预测被标记区域信号的所属肿瘤类型,加权计算两模型各自的预测概率得到测试样本的最终预测概率值;
预测结果可视化模块,根据病灶类型和预测概率对超声图像中的病灶做颜色编码,生成高对比度的宽带超声声谱图像,实现乳腺肿瘤筛查的高对比度可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210871399.5A CN115227293A (zh) | 2022-07-22 | 2022-07-22 | 一种基于宽带超声回波特征的乳腺肿瘤筛查方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210871399.5A CN115227293A (zh) | 2022-07-22 | 2022-07-22 | 一种基于宽带超声回波特征的乳腺肿瘤筛查方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115227293A true CN115227293A (zh) | 2022-10-25 |
Family
ID=83674740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210871399.5A Pending CN115227293A (zh) | 2022-07-22 | 2022-07-22 | 一种基于宽带超声回波特征的乳腺肿瘤筛查方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115227293A (zh) |
-
2022
- 2022-07-22 CN CN202210871399.5A patent/CN115227293A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
CN110338841B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
CN103356241B (zh) | 二维超声设备成像质量评估系统 | |
CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
CN111784721B (zh) | 基于深度学习的超声内窥图像智能分割与量化方法及系统 | |
CN106709967B (zh) | 一种内窥成像算法及控制系统 | |
JP2012512672A (ja) | 医用画像内病変自動検出方法およびシステム | |
JP2008520345A (ja) | 超音波画像における病変の検出及び分類方法、及びそのシステム | |
CN112381164B (zh) | 一种基于多分支注意力机制的超声图像分类方法和装置 | |
CN108765427A (zh) | 一种前列腺图像分割方法 | |
CN111583320A (zh) | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
CN112950534A (zh) | 一种基于人工智能的便携式超声肺炎辅助诊断系统 | |
WO2021125950A1 (en) | Image data processing method, method of training a machine learning data processing model and image processing system | |
CN111820948B (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
CN114548179A (zh) | 基于超声回波时频谱特征的生物组织辨识方法和装置 | |
CN103169506A (zh) | 一种自动识别肝癌的超声诊断装置和方法 | |
CN115170857A (zh) | 一种基于联邦迁移学习的胰腺癌图像识别方法 | |
CN113570594A (zh) | 超声图像中目标组织的监测方法、装置及存储介质 | |
CN114202504A (zh) | 颈动脉超声自动多普勒方法、超声设备及存储介质 | |
CN109065150A (zh) | 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 | |
Armya et al. | Medical images segmentation based on unsupervised algorithms: a review | |
Wulaning Ayu et al. | Pixel Classification Based on Local Gray Level Rectangle Window Sampling for Amniotic Fluid Segmentation. | |
US5719784A (en) | Order-based analyses of cell and tissue structure | |
CN115227293A (zh) | 一种基于宽带超声回波特征的乳腺肿瘤筛查方法和装置 |
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 |