[發(fā)明專利]一種乳腺癌檢測方法及裝置

在審

• 申請?zhí)枺?/td>: 201810003857.7
• 申請日: 2018-01-03
• 公開（公告）號: CN108230311A
• 公開（公告）日: 2018-06-29
• 發(fā)明（設計）人: 章毅;呂青;張蕾;戚曉峰;皮勇;杜正貴;劉鵬程;王瑤;王璟玲;李季蘭;王晗;龐博
• 申請（專利權）人: 四川大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 郭新娟

本發(fā)明實施例提供了一種乳腺癌檢測方法，所述方法包括：從乳腺彩超報告中識別出的多張待診斷彩超圖像；利用深度神經(jīng)網(wǎng)絡對所述多張待診斷彩超圖像中的每張待診斷彩超圖像進行處理，獲得表示所述目標患者是否有乳腺癌或其它乳腺疾病的診斷結果。其中，所述深度神經(jīng)網(wǎng)絡模型在設計后，通過對已經(jīng)確診的多個乳腺疾病患者的多張彩超圖像進行訓練，獲得經(jīng)訓練的深度神經(jīng)網(wǎng)絡。測試成功后，所述深度神經(jīng)網(wǎng)絡投入所述乳腺癌的檢測方法中。從而使得用戶只需要上傳乳腺彩超報告，就能夠獲取檢測結果，并且在有效提高了準確率并降低人力成本的同時，在沒有或者缺少專業(yè)醫(yī)師的情況下，可以大幅提高診斷效率，為患者節(jié)省寶貴的時間。

技術領域

本發(fā)明涉及深度學習及圖片處理技術領域，具體而言，涉及一種乳腺癌檢測方法及裝置。

背景技術

目前，在部分醫(yī)療條件較好的醫(yī)院，對患有乳腺類疾病的患者，通常的方法是用專業(yè)設備采集一系列乳腺及相關部位的彩超圖像，為了對患病部位進行全面準確的觀察，需要對乳腺等部位圖像采集多張照片。完成乳腺彩超圖像數(shù)據(jù)采集后，由專業(yè)放射技師對該報告中每張圖像數(shù)據(jù)進行讀圖診斷。雖然大部分醫(yī)院都具有拍攝彩超圖像的設備，但是完成診斷離不開專業(yè)醫(yī)師的讀圖診斷，對于相對偏遠的鄉(xiāng)鎮(zhèn)醫(yī)院很難及時獲得讀圖經(jīng)驗豐富的放射技師的臨床意見。同時，“看病難”現(xiàn)象導致從患者拿到彩超報告到掛號咨詢專業(yè)技師診斷，其間存在較長時間間隔，在這期間病情極有可能繼續(xù)加重。

發(fā)明內容

本發(fā)明的目的在于提供一種圖片哈希碼生成方法、裝置、圖片檢索方法及裝置，以改善上述問題。為了實現(xiàn)上述目的，本發(fā)明采取的技術方案如下：

第一方面，本發(fā)明實施例提供了一種乳腺癌檢測方法，應用于診斷系統(tǒng)。所述方法包括：獲得目標患者的乳腺彩超報告，并從所述乳腺彩超報告中識別出多張待診斷彩超圖像；利用深度神經(jīng)網(wǎng)絡對所述多張待診斷彩超圖像中的每張待診斷彩超圖像進行處理，獲得表示所述目標患者是否有乳腺癌或其它乳腺疾病的診斷結果。

進一步的，在利用深度神經(jīng)網(wǎng)絡對所述多張待診斷彩超圖像中的每張待診斷彩超圖像進行處理，獲得表示所述目標患者是否有乳腺癌或其它乳腺疾病的診斷結果之前，所述方法還包括：獲得已經(jīng)確診的多個乳腺疾病患者中每個乳腺疾病患者的多張彩超圖像；設計深度神經(jīng)網(wǎng)絡模型；基于每個乳腺疾病患者的多張彩超圖像，對所述深度神經(jīng)網(wǎng)絡模型進行訓練，獲得經(jīng)訓練的深度神經(jīng)網(wǎng)絡；對所述深度神經(jīng)網(wǎng)絡進行測試，在測試結果表征所述深度神經(jīng)網(wǎng)絡達到預設要求時，執(zhí)行步驟：利用深度神經(jīng)網(wǎng)絡對所述多張待診斷彩超圖像中的每張待診斷彩超圖像進行處理，獲得表示所述目標患者是否有乳腺癌或其它乳腺疾病的診斷結果。

進一步的，在獲得已經(jīng)確診的多個乳腺疾病患者中每個乳腺疾病患者的多張彩超圖像之后；設計深度神經(jīng)網(wǎng)絡模型之前，所述方法還包括：對每個乳腺疾病患者的多張彩超圖像中的每張彩超圖像進行數(shù)據(jù)標注，獲得每個乳腺疾病患者的多張經(jīng)標注彩超圖像；對每個乳腺疾病患者的彩超報告進行裁剪，并將每張彩超報告用邊框框出，獲得對應所述多個乳腺疾病患者的多個加邊框彩超報告；對所述多個乳腺疾病患者對應的數(shù)據(jù)集按照四比一比例劃分，獲得訓練集和測試集，其中，所述數(shù)據(jù)集包括每個乳腺疾病患者的多張經(jīng)標注彩超圖像及多個加邊框彩超報告。

進一步的，設計深度神經(jīng)網(wǎng)絡模型，包括：設計特征提取單元，所述特征提取單元包括一個輸入層和多個卷積結構，每個卷積結構由多個不同尺度的卷積層和池化層構成；設計特征融合單元，所述特征融合單元包括一個全局均值池化層，用于在圖像的通道維度上對多種圖像特征進行融合；設計分類單元，所述分類單元包括一個多類別分類器。