CN116205900A - 乳腺淋巴结转移预测装置、电子设备以及存储介质 - Google Patents

Abstract

本公开涉及一种乳腺淋巴结转移预测装置、电子设备以及存储介质，通过预先训练的乳腺病灶及淋巴分割模型对获取的待检测的乳腺图像进行图像分割，得到标注乳腺图像中病灶区域和/或淋巴结区域的图像分割结果，再根据预先训练的乳腺淋巴预测模型基于图像分割结果确定淋巴结转移情况。本公开将图像分割过程作为前置任务，以基于得到的图像分割结果进一步判断淋巴结转移情况，为淋巴结转移的预测提供特征基础，提高淋巴结转移情况预测结果的准确性。

Description

乳腺淋巴结转移预测装置、电子设备以及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种乳腺淋巴结转移预测装置、电子设备以及存储介质。

背景技术

肿瘤原发灶能够诱导远端转移器官中基质和相关免疫细胞成分与功能变化，形成一个利于肿瘤细胞定居生长“土壤”的“肿瘤转移前微环境”。淋巴结是重要的免疫器官，也是肿瘤最常见的转移部位，肿瘤淋巴结转移是临床判断患者预后的重要指标。因此，可以通过预测淋巴结转移情况判断患者的健康情况。

发明内容

有鉴于此，本公开提出了一种乳腺淋巴结转移预测装置、电子设备以及存储介质，旨在提高乳腺淋巴结转移情况预测结果的准确性。

根据本公开的第一方面，提供了一种乳腺淋巴结转移预测装置，所述装置包括：

图像获取模块，用于获取待检测的乳腺图像；

图像分割模块，用于通过预先训练的乳腺病灶及淋巴分割模型对所述乳腺图像进行图像分割，得到标注所述乳腺图像中特征区域的图像分割结果，所述特征区域表征病灶区域和/或淋巴结区域；

淋巴预测模块，用于根据预先训练的乳腺淋巴预测模型基于所述图像分割结果和所述乳腺图像对应临床特征信息确定淋巴结转移情况。

在一种可能的实现方式中，所述图像分割模块，包括：

模型分割子模块，用于将所述乳腺图像输入所述乳腺病灶及淋巴分割模型，输出对应的候选分割结果；

结果处理子模块，用于对所述候选分割结果进行分割结果处理，得到标注所述乳腺图像中特征区域的图像分割结果。

在一种可能的实现方式中，所述结果处理子模块，包括：

空间聚类单元，用于通过连通域算法对所述候选分割结果进行空间聚类，得到所述乳腺图像中的至少一个连通域区间；

类型判断单元，用于确定所述连通域区间中每个像素的类型，并确定每个所述连通域区间中较多像素对应的类型为所述连通域区间的类型；

区域标注单元，用于根据对应的类型确定每个所述连通域区间为病灶区域或淋巴结区域，得到标注所述乳腺图像中特征区域的图像分割结果。

在一种可能的实现方式中，所述淋巴预测模块，包括：

区域提取子模块，用于根据所述图像分割结果分别提取所述乳腺图像中的病灶区域和淋巴结区域，得到病灶图像和淋巴结图像；

矩阵提取子模块，用于提取所述乳腺图像对应临床特征信息得到邻接矩阵和特征矩阵；

三维卷积子模块，用于通过所述乳腺淋巴预测模型对所述淋巴结图像和所述病灶图像分别进行三维卷积得到多维图像向量；

图卷积子模块，用于通过所述乳腺淋巴预测模型对所述邻接矩阵和特征矩阵进行图卷积得到一维特征向量；

淋巴预测子模块，用于根据所述多维图像向量和所述一维特征向量确定淋巴结转移情况。

在一种可能的实现方式中，所述乳腺病灶及淋巴分割模型基于乳腺自监督模型训练得到。

在一种可能的实现方式中，所述乳腺自监督模型包括特征提取层，所述乳腺病灶及淋巴分割模型的训练过程包括：

获取多个样本乳腺图像；

根据所述样本乳腺图像训练得到乳腺自监督模型；

响应于所述乳腺自监督模型训练完成，根据所述特征提取层的参数确定乳腺病灶及淋巴分割模型。

在一种可能的实现方式中，所述乳腺自监督模型还包括解码层，所述根据所述样本乳腺图像训练得到乳腺自监督模型包括：

根据预设的掩盖规则对每个所述样本乳腺图像进行随机掩盖，得到对应的至少一个掩盖结果；

将每个所述掩盖结果作为乳腺自监督模型的输入，以通过所述特征提取层进行乳腺特征提取，再通过所述解码层根据提取得到的乳腺特征还原被掩盖位置得到还原图像；

根据每个所述掩盖结果的还原图像以及对应样本乳腺图像的差异训练所述乳腺自监督模型。

在一种可能的实现方式中，所述根据预设的掩盖规则对每个所述样本乳腺图像进行随机掩盖，得到对应的至少一个掩盖结果，包括：

划分每个所述样本乳腺图像得到多个预设尺寸的图像区域；

根据预设的采样策略对每个所述样本乳腺图像的多个图像区域进行随机采样，并掩盖未被采样的图像区域。

在一种可能的实现方式中，所述采样策略包括采样比例为20％至50％。

在一种可能的实现方式中，所述乳腺病灶及淋巴分割模型的训练过程还包括：

对每个所述样本乳腺图像进行图像预处理。

根据本公开的第二方面，提供了一种乳腺淋巴结转移预测方法，所述方法包括：

获取待检测的乳腺图像；

通过预先训练的乳腺病灶及淋巴分割模型对所述乳腺图像进行图像分割，得到标注所述乳腺图像中特征区域的图像分割结果，所述特征区域表征病灶区域和/或淋巴结区域；

根据预先训练的乳腺淋巴预测模型基于所述图像分割结果和所述乳腺图像对应临床特征信息确定淋巴结转移情况。

在一种可能的实现方式中，所述通过预先训练的乳腺病灶及淋巴分割模型对所述乳腺图像进行图像分割，得到标注所述乳腺图像中特征区域的图像分割结果，包括：

将所述乳腺图像输入所述乳腺病灶及淋巴分割模型，输出对应的候选分割结果；

对所述候选分割结果进行分割结果处理，得到标注所述乳腺图像中特征区域的图像分割结果。

在一种可能的实现方式中，所述对所述候选分割结果进行分割结果处理，得到标注所述乳腺图像中特征区域的图像分割结果，包括：

通过连通域算法对所述候选分割结果进行空间聚类，得到所述乳腺图像中的至少一个连通域区间；

确定所述连通域区间中每个像素的类型，并确定每个所述连通域区间中较多像素对应的类型为所述连通域区间的类型；

根据对应的类型确定每个所述连通域区间为病灶区域或淋巴结区域，得到标注所述乳腺图像中特征区域的图像分割结果。

在一种可能的实现方式中，所述根据预先训练的乳腺淋巴预测模型基于所述图像分割结果和所述乳腺图像对应临床特征信息确定淋巴结转移情况，包括：

根据所述图像分割结果分别提取所述乳腺图像中的病灶区域和淋巴结区域，得到病灶图像和淋巴结图像；

提取所述乳腺图像对应临床特征信息得到邻接矩阵和特征矩阵；

通过所述乳腺淋巴预测模型对所述淋巴结图像和所述病灶图像分别进行三维卷积得到多维图像向量；

通过所述乳腺淋巴预测模型对所述邻接矩阵和特征矩阵进行图卷积得到一维特征向量；

根据所述多维图像向量和所述一维特征向量确定淋巴结转移情况。

在一种可能的实现方式中，所述乳腺病灶及淋巴分割模型基于乳腺自监督模型训练得到。

在一种可能的实现方式中，所述乳腺自监督模型包括特征提取层，所述乳腺病灶及淋巴分割模型的训练过程包括：

获取多个样本乳腺图像；

根据所述样本乳腺图像训练得到乳腺自监督模型；

响应于所述乳腺自监督模型训练完成，根据所述特征提取层的参数确定乳腺病灶及淋巴分割模型。

在一种可能的实现方式中，所述乳腺自监督模型还包括解码层，所述根据所述样本乳腺图像训练得到乳腺自监督模型包括：

根据预设的掩盖规则对每个所述样本乳腺图像进行随机掩盖，得到对应的至少一个掩盖结果；

将每个所述掩盖结果作为乳腺自监督模型的输入，以通过所述特征提取层进行乳腺特征提取，再通过所述解码层根据提取得到的乳腺特征还原被掩盖位置得到还原图像；

根据每个所述掩盖结果的还原图像以及对应样本乳腺图像的差异训练所述乳腺自监督模型。

在一种可能的实现方式中，所述根据预设的掩盖规则对每个所述样本乳腺图像进行随机掩盖，得到对应的至少一个掩盖结果，包括：

划分每个所述样本乳腺图像得到多个预设尺寸的图像区域；

根据预设的采样策略对每个所述样本乳腺图像的多个图像区域进行随机采样，并掩盖未被采样的图像区域。

在一种可能的实现方式中，所述采样策略包括采样比例为20％至50％。

在一种可能的实现方式中，所述乳腺病灶及淋巴分割模型的训练过程还包括：

对每个所述样本乳腺图像进行图像预处理。

根据本公开的第三方面，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在执行所述存储器存储的指令时，实现上述方法。

根据本公开的第四方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。

在本公开实施例中，通过预先训练的乳腺病灶及淋巴分割模型对获取的待检测的乳腺图像进行图像分割，得到标注乳腺图像中病灶区域和/或淋巴结区域的图像分割结果，再根据预先训练的乳腺淋巴预测模型基于图像分割结果确定淋巴结转移情况。本公开将图像分割过程作为前置任务，以基于得到的图像分割结果进一步判断淋巴结转移情况，为淋巴结转移的预测提供特征基础，提高淋巴结转移情况预测结果的准确性。

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一种乳腺淋巴结转移预测装置的示意图；

图2示出根据本公开实施例的一种训练乳腺病灶及淋巴分割模型过程的示意图；

图3示出根据本公开实施例的一种乳腺自监督模型的示意图；

图4示出根据本公开实施例的一种确定淋巴结转移情况过程的示意图；

图5示出根据本公开实施例的一种三维卷积结构中残差块的示意图；

图6示出根据本公开实施例的一种预测乳腺淋巴结转移情况过程的示意图；

图7示出根据本公开实施例的一种电子设备的示意图；

图8示出根据本公开实施例的另一种电子设备的示意图。

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。

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。

本公开实施例的乳腺淋巴结转移预测装置可以为任意电子设备中，通过调用存储器中指令执行淋巴结转移情况预测方法的处理器。其中，电子设备可以为终端设备或服务器等。终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等任意固定或移动终端。服务器可以包括单独的服务器或多个服务器组成的服务器集群。

图1示出根据本公开实施例的一种乳腺淋巴结转移预测装置的示意图。如图1所示，本公开实施例的乳腺淋巴结转移预测装置中可以包括图像获取模块10、图像分割模块11和淋巴预测模块12。

在一种可能的实现方式中，图像获取模块10用于获取待检测的乳腺图像，即本公开实施例需要对乳腺图像中乳腺淋巴的转移情况进行预测。其中，乳腺图像可以通过乳腺淋巴结转移预测装置所在电子设备的图像采集装置采集得到或者接收得到。可选地，本公开实施例采集的乳腺图像为三维乳腺图像，可以通过对乳腺进行磁共振检查得到的三维乳腺MR(Magnetic Resonance)扫描图像。进一步地，三维乳腺MR扫描图像的大小为(time，height,width,depth)＝(t,512,512,x)，x可以因MR图像的层间距、扫描范围等不同在几十至几百之间波动。t表示乳腺MR的扫描次数，可以为5～10，每个扫描次数间隔在60～120s之间。本公开实施例在采集乳腺图像时，可以确定造影剂前一期为DCE1，用于确定height维度的数据。造影剂后间隔在90～120s之内的一期为DCE2，用于确定width维度的数据。造影剂后扫描的最后一期为DCE3，用于确定depth维度的数据，进一步根据每一期获取的数据确定乳腺图像。

可选地，由于不同医院、不同设备拍摄的影像存在差异，可以在确定乳腺图像后对乳腺图像进行标准化处理，得到便于进行图像分割的乳腺图像格式。该标准化处理过程可以包括降噪处理和归一化处理。其中，降噪处理过程可以为高斯滤波，即通过高斯滤波的方式去除乳腺图像的部分噪声。归一化处理过程可以为计算乳腺图像的像素值分布，标记总像素值分布0.2％处的像素值为最低值L，标记总像素值分布99.8％处的像素值为最高值H。将乳腺图像中像素值低于L的像素赋值为L，像素值高于H的像素赋值为H。再利用最大最小归一化，将每个像素值归一化到0～1。

在一种可能的实现方式中，图像分割模块11用于通过预先训练的乳腺病灶及淋巴分割模型对乳腺图像进行图像分割，得到标注乳腺图像中特征区域的图像分割结果。其中，特征区域表征病灶区域和/或淋巴结区域，即图像分割结果为包括病灶区域、淋巴结区域和背景区域的乳腺图像。可选地，乳腺病灶及淋巴分割模型用于对乳腺图像进行初步的图像分割处理，再对分割处理得到的候选分割结果再次进行图像处理的方式得到乳腺图像的图像分割结果。即图像分割模块可以包括模型分割子模块和结构处理子模块，分别用于将乳腺图像输入乳腺病灶及淋巴分割模型，输出对应的候选分割结果，以及对候选分割结果进行分割结果处理，得到标注乳腺图像中特征区域的图像分割结果。

可选地，结果处理子模块用于对候选分割结果进行处理，可以包括空间聚类单元，用于通过连通域算法对候选分割结果进行空间聚类，得到乳腺图像中的至少一个连通域区间。类型判断单元，用于确定连通域区间中每个像素的类型，并确定每个连通域区间中较多像素对应的类型为连通域区间的类型。区域标注单元，用于根据对应的类型确定每个连通域区间为病灶区域或淋巴结区域，得到标注乳腺图像中特征区域的图像分割结果。

可选地，本公开实施例中用于进行图像分割处理的乳腺病灶及淋巴分割模型可以基于乳腺自监督模型训练得到，该训练过程可以在任意设备中完成。其中，乳腺自监督模型可以包括特征提取层和解码层，基于乳腺自监督模型训练乳腺病灶及淋巴分割模型的过程可以包括获取多个样本乳腺图像，根据样本乳腺图像训练得到乳腺自监督模型。响应于乳腺自监督模型训练完成，根据特征提取层的参数确定乳腺病灶及淋巴分割模型。即先训练乳腺自监督模型，再将训练完成的乳腺自监督模型中特征提取层的参数作为乳腺病灶及淋巴分割模型中特征提取层的参数，以确定乳腺病灶及淋巴分割模型。

图2示出根据本公开实施例的一种训练乳腺病灶及淋巴分割模型过程的示意图。如图2所示，任意设备可以通过样本乳腺图像20训练得到乳腺病灶及淋巴分割模型。即可以先确定多个样本乳腺图像20，再根据多个样本乳腺图像20训练乳腺自监督模型21。在完成乳腺自监督模型21的训练后，获取其中特征提取层的参数22，并将该特征提取层的参数22作为乳腺病灶及淋巴分割模型23中特征提取层的参数，以确定乳腺病灶及淋巴分割模型23。

在一种可能的实现方式中，训练乳腺自监督模型的过程可以为根据预设的掩盖规则对每个样本乳腺图像进行随机掩盖，得到对应的至少一个掩盖结果。再将每个掩盖结果作为乳腺自监督模型的输入，以通过特征提取层进行乳腺特征提取，再通过解码层根据提取得到的乳腺特征还原被掩盖位置得到还原图像。根据每个掩盖结果的还原图像以及对应样本乳腺图像的差异训练乳腺自监督模型。

图3示出根据本公开实施例的一种乳腺自监督模型的示意图。如图3所示，乳腺自监督模型包括特征提取层(encoder)和解码层(decoder)。该乳腺自监督模型的训练过程可以为在确定多个样本乳腺图像后，可以通过随机掩盖的方式得到部分区域被掩盖的图像作为掩盖结果。将掩盖结果作为乳腺自监督模型的输入，乳腺自监督模型通过特征提取层提取掩盖结果中的特征，再根据解码层基于特征提取层提取的特征还原掩盖结果得到预期的还原图像。进一步根据还原图像和样本乳腺图像的差异训练乳腺自监督图像，得到能够准确还原被掩盖图像的乳腺自监督模型。

可选地，在样本乳腺图像的数量较少时，可以通过图像处理的方式进行数据增广以增加样本乳腺图像的数量进而提高训练得到乳腺自监督模型的效果。可选地，数据增广的过程可以包括以下至少一种：三个维度的图像翻转、改变图像对比度、增加运动伪影、图像弹性形变、增加高斯噪声。进一步地，还可以对每个样本乳腺图像进行图像预处理，例如进行降噪处理和归一化处理，该处理过程与上述乳腺图像的处理过程类似，在此不再赘述。

可选地，对样本乳腺图像进行随机掩盖得到至少一个掩盖结果的过程可以为划分每个样本乳腺图像得到多个预设尺寸的图像区域，再根据预设的采样策略对每个样本乳腺图像的多个图像区域进行随机采样，并掩盖未被采样的图像区域。其中，采样策略可以包括采样比例为20％至50％。

示例性地，可以在进行MR扫描后选择同一层的DCE1，DCE2，DCE3作为一个样本乳腺图像，其大小为(H,W，3)。划分样本乳腺图像得到多个尺寸为预设尺寸不重叠的小块(例如，16*16个小块)，使用服从均匀分布的采样策略对这些小块随机采样一部分，同时掩盖掉余下的另一部分。其中，被掩盖掉的小块占所有小块的大部分(大约在50％～80％)。该掩盖过程可以通过均匀分布采样避免大部分小块分布在靠近样本乳腺图像中心的位置，并通过高掩码量防止乳腺自监督模型轻易的实现图像还原。

进一步地，在完成随机掩盖后，还可以对随机掩盖后的样本乳腺图像进行格式处理得到掩盖结果。示例性地，可以将随机掩盖后的样本乳腺图像由(B，C，H，W)转换为(B，N，P*P*C)。其中，N和P分别是被掩盖样本乳腺图像中划分小块的数量和大小(N＝H/P*W/P)，即将3通道的样本乳腺图像转换成N个维度大小为P*P*C的向量。再通过线性映射将其嵌入到指定的维度空间大小，计作Dim。即将样本乳腺图像转换成token(B，N，Dim)作为掩盖结果。可选地，在格式转换后还可以通过位置嵌入为各个小块添加位置信息，其中位置嵌入是所有样本乳腺图像共享的且学习的，其大小为(N，Dim)，与每张样本乳腺图像的token相对应。

在一种可能的实现方式中，在将掩码结果输入乳腺自监督模型后，特征提取层只对掩码结果token(B，N，Dim)中的可见小块进行学习，这种稀疏策略能够减少计算量和内存消耗。而解码层需要对其中所有的小块进行处理，对于特征提取层处理阶段掩盖的小块设置位置嵌入，每个被掩盖的小块对应一个位置嵌入，即变形为(N’,Dim)。其中N’是被掩盖小块的数量。但是特征提取层处理阶段被掩盖小块只有一个掩码token，因此可以复制多份位置嵌入，方便掩码token与位置嵌入进行嵌入。可选地，特征提取层可以为ResNet，DenseNet或ViT等，解码层可以为与特征提取层解耦的一层或较少层。乳腺自监督模型自监督训练的目标是重建像素值，且只针对被掩盖小块，因此模型的损失函数计算也只对被掩盖小块进行计算，损失函数选MSE。

可选地，在训练得到乳腺自监督模型后，可以提取其中特征提取层的参数直接确定乳腺病灶及淋巴结分割模型。或者，还可以根据特征提取层的参数初始化乳腺病灶及淋巴结分割模型，再根据样本乳腺图像再次训练初始化的乳腺病灶及淋巴结分割模型。其中，乳腺病灶及淋巴结分割模型可以为DenseUNet模型，在训练过程中不修改特征提取层的参数。该训练过程可以为先标注每个样本乳腺图像的标注分割结果，再将每个样本乳腺图像输入乳腺病灶及淋巴结分割模型，得到预测分割结果。在根据预测分割结果和标注分割结果的差异确定模型损失，再根据模型损失调整特征提取层参数以外的其他模型参数，直到满足收敛条件。

在一种可能的实现方式中，淋巴预测模块12可以用于根据预先训练的乳腺淋巴预测模型基于图像分割结果和乳腺图像对应临床特征信息确定淋巴结转移情况。可选地，临床特征信息可以表征乳腺图像中乳腺的临床特征，可以与乳腺图像一同获取，例如可以包括乳房表面皮肤特征、异常情况以及患者体验。其中，淋巴预测模块12还可以包括区域提取子模块，用于根据图像分割结果分别提取乳腺图像中的病灶区域和淋巴结区域，得到病灶图像和淋巴结图像。矩阵提取子模块，用于提取乳腺图像对应临床特征信息得到邻接矩阵和特征矩阵。三维卷积子模块，用于通过乳腺淋巴预测模型对淋巴结图像和所述病灶图像分别进行三维卷积得到多维图像向量。图卷积子模块，用于通过乳腺淋巴预测模型对邻接矩阵和特征矩阵进行图卷积得到一维特征向量。淋巴预测子模块，用于根据多维图像向量和一维特征向量确定淋巴结转移情况。

图4示出根据本公开实施例的一种确定淋巴结转移情况过程的示意图。如图4所示，在确定图像分割结果40后，可以先根据图像分割结果40提取乳腺图像中的病灶区域和淋巴结区域，得到病灶图像43和淋巴结图像44，并根据乳腺图像对应的临床特征信息41确定邻接矩阵和特征矩阵42。可选地，乳腺淋巴预测模型中包括分别处理图像和矩阵的三维卷积45和图卷积46，即可以对邻接矩阵和特征矩阵42进行图卷积46处理得到一维特征向量48，对病灶图像43和淋巴结图像44共同进行三维卷积45得到多维图像向量47。最后根据一维特征向量48和多维图像向量47确定乳腺图像对应的淋巴结转移情况49。

可选地，对邻接矩阵和特征矩阵进行图卷积的过程可以为通过顺序连接的多个图卷积层依次进行图卷积得到一维特征向量。对病灶图像和淋巴结图像共同进行三维卷积的过程可以为先分别对每个图像进行三维卷积后拼接，对拼接结果进行最大池化后通过多个残差块进行处理后经过平均池化得到多维图像向量。进一步地根据激活函数(sigmoid)对一维特征向量和多维图像向量进行处理得到淋巴结转移情况。其中，淋巴结转移情况可以表征未来乳腺图像中淋巴结是否会发生转移，可以为0-1之间的值表征转移的可能性。

图5示出根据本公开实施例的一种三维卷积结构中残差块的示意图。如图5所示，三维卷积处理过程中应用的残差块可以包括一个残差支路和短路支路，短路支路可用于传递低层的信息使得网络能够训练地很深。

在一种可能的实现方式中，乳腺淋巴预测模型的训练过程可以单独实现，即与乳腺病灶及淋巴结分割模型分别训练。该训练过程可以包括先确定多个样本乳腺图像和对应的样本临床特征信息，再根据病例原理确定对应的标注结果，将发生淋巴结转移的结果标注为1，将未发生淋巴结转移的结果标注为0。

进一步地，将样本乳腺图像输入训练得到的乳腺病灶及淋巴结分割模型确定对应的图像分割结果，再根据图像分割结果和对应的样本临床特征信息确定样本邻接矩阵及特征矩阵以及样本病灶图像和样本淋巴结图像。其中，样本病灶图像的尺寸可以为(128，128，32，4)，样本淋巴结图像的尺寸可以为(128，128，32，4)。样本邻接矩阵及特征矩阵中，邻接矩阵大小由临床特征数决定，若临床特征为N，则大小为N*N；特征矩阵由特征数N，及每个节点自己的特征D，组成一个N×D维的矩阵。再将上述样本邻接矩阵及特征矩阵以及样本病灶图像和样本淋巴结图像作为乳腺淋巴预测模型的输入，根据输出结果和对应的标注结果调节模型参数。可选地，乳腺淋巴预测模型可以基于3DResNet，并根据任务需求及特点进行修改设计得到。三维卷积模块的参数可以为kernel_size:7*7*7,Channel:16,Stride:2*2*1，图卷积模块的参数可以为units＝16，support＝N。

图6示出根据本公开实施例的一种预测乳腺淋巴结转移情况过程的示意图。如图6所示，在获取到乳腺图像60后，先通过乳腺病灶及淋巴分割模型61对乳腺图像60进行特征提取以及分割得到图像分割结果62。进一步再通过乳腺淋巴预测模型63基于图像分割结果62和乳腺图像60对应的临床特征信息一同预测淋巴结转移情况64。

基于上述技术特征，本公开实施例可以通过训练乳腺自监督模型并提取参数的方式提高得到乳腺病灶及淋巴分割模型参数的准确性，在样本数据量较少的情况下也能保证得到参数的精度。同时，通过乳腺淋巴预测模型基于分割结果以及临床特征一同分析淋巴结转移的情况，提高了淋巴结转移预测的准确性。

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易失性或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在执行所述存储器存储的指令时，实现上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。

图7示出根据本公开实施例的一种电子设备800的示意图。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。

参照图7，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)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CMOS或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WiFi，2G或3G，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8示出根据本公开实施例的另一种电子设备1900的示意图。例如，电子设备1900可以被提供为一服务器或终端设备。参照图8，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Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，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。

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)

1.一种乳腺淋巴结转移预测装置，其特征在于，所述装置包括：

图像获取模块，用于获取待检测的乳腺图像；

图像分割模块，用于通过预先训练的乳腺病灶及淋巴分割模型对所述乳腺图像进行图像分割，得到标注所述乳腺图像中特征区域的图像分割结果，所述特征区域表征病灶区域和/或淋巴结区域；

淋巴预测模块，用于根据预先训练的乳腺淋巴预测模型基于所述图像分割结果和所述乳腺图像对应临床特征信息确定淋巴结转移情况。

2.根据权利要求1所述的装置，其特征在于，所述图像分割模块，包括：

模型分割子模块，用于将所述乳腺图像输入所述乳腺病灶及淋巴分割模型，输出对应的候选分割结果；

结果处理子模块，用于对所述候选分割结果进行分割结果处理，得到标注所述乳腺图像中特征区域的图像分割结果。

3.根据权利要求2所述的装置，其特征在于，所述结果处理子模块，包括：

空间聚类单元，用于通过连通域算法对所述候选分割结果进行空间聚类，得到所述乳腺图像中的至少一个连通域区间；

类型判断单元，用于确定所述连通域区间中每个像素的类型，并确定每个所述连通域区间中较多像素对应的类型为所述连通域区间的类型；

区域标注单元，用于根据对应的类型确定每个所述连通域区间为病灶区域或淋巴结区域，得到标注所述乳腺图像中特征区域的图像分割结果。

4.根据权利要求1-3中任意一项所述的装置，其特征在于，所述淋巴预测模块，包括：

区域提取子模块，用于根据所述图像分割结果分别提取所述乳腺图像中的病灶区域和淋巴结区域，得到病灶图像和淋巴结图像；

矩阵提取子模块，用于提取所述乳腺图像对应临床特征信息得到邻接矩阵和特征矩阵；

三维卷积子模块，用于通过所述乳腺淋巴预测模型对所述淋巴结图像和所述病灶图像分别进行三维卷积得到多维图像向量；

图卷积子模块，用于通过所述乳腺淋巴预测模型对所述邻接矩阵和特征矩阵进行图卷积得到一维特征向量；

淋巴预测子模块，用于根据所述多维图像向量和所述一维特征向量确定淋巴结转移情况。

5.根据权利要求1-4中任意一项所述的装置，其特征在于，所述乳腺病灶及淋巴分割模型基于乳腺自监督模型训练得到。

6.根据权利要求5所述的装置，其特征在于，所述乳腺自监督模型包括特征提取层，所述乳腺病灶及淋巴分割模型的训练过程包括：

获取多个样本乳腺图像；

根据所述样本乳腺图像训练得到乳腺自监督模型；

响应于所述乳腺自监督模型训练完成，根据所述特征提取层的参数确定乳腺病灶及淋巴分割模型。

7.根据权利要求6所述的装置，其特征在于，所述乳腺自监督模型还包括解码层，所述根据所述样本乳腺图像训练得到乳腺自监督模型包括：

根据预设的掩盖规则对每个所述样本乳腺图像进行随机掩盖，得到对应的至少一个掩盖结果；

将每个所述掩盖结果作为乳腺自监督模型的输入，以通过所述特征提取层进行乳腺特征提取，再通过所述解码层根据提取得到的乳腺特征还原被掩盖位置得到还原图像；

根据每个所述掩盖结果的还原图像以及对应样本乳腺图像的差异训练所述乳腺自监督模型。

8.根据权利要求7所述的装置，其特征在于，所述根据预设的掩盖规则对每个所述样本乳腺图像进行随机掩盖，得到对应的至少一个掩盖结果，包括：

划分每个所述样本乳腺图像得到多个预设尺寸的图像区域；

根据预设的采样策略对每个所述样本乳腺图像的多个图像区域进行随机采样，并掩盖未被采样的图像区域。

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在执行所述存储器存储的指令时，实现权利要求1至8中任意一项所述的装置。

10.一种非易失性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8中任意一项所述的装置。

Images