[發明專利]基于深度學習的動態超聲乳腺結節實時分割與識別的方法

有效

• 申請號: 202010318576.8
• 申請日: 2020-04-21
• 公開（公告）號: CN111539930B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 王守超
• 申請（專利權）人: 浙江德尚韻興醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/187
• 代理公司: 杭州中成專利事務所有限公司 33212
• 代理人: 周世駿

本發明涉及醫學圖像處理技術領域，旨在提供一種基于深度學習的動態超聲乳腺結節實時分割與識別的方法。包括：收集有結節的超聲乳腺圖像、視頻以及有手術病理結果的病例數據構建數據集，構造靜態圖像結節分割網絡，在原始圖像上訓練靜態圖像結節分割模型；使用LSTM層預測中間幀結節概率，構造視頻動態分割網絡，訓練動態分割模型；使用基礎網絡構造良惡性識別網絡結構，訓練良惡性識別模型；實時輸出結節位置信息，使用良惡性識別模型識別每幀結節良惡性，檢查結束輸出結節數和綜合良惡性概率。本發明可以避免單張圖像的信息不完整性，降低錯誤檢測，減少遺漏的小結節，提高結節良惡性識別準確率。

技術領域

本發明是關于醫學圖像處理技術領域，特別涉及基于深度學習的動態超聲乳腺結節實時分割以及結節良惡性識別的方法。

背景技術

乳腺癌在全球范圍內發病率高，乳腺癌的早期發現在很大程度上能提高生存率和生存質量，改善預后。乳腺癌篩查常用到的無創性輔助檢查方式主要有鉬靶、超聲和磁共振。在三種檢查方式中，鉬靶檢查價格低廉，主要利用X線攝片，對發現微小鈣化最具有優勢，進而能夠發現無癥狀或觸摸不到的腫瘤，診斷效率甚至高于磁共振。而超聲的優勢在于沒有放射性，檢查方便，價格低廉，可以根據需要反復檢查；且超聲能清楚分辨層次，鑒別囊性與實性腫塊的準確率可達100％，能大致判斷腫瘤的良惡性；超聲可引導穿刺活檢并且了解腋窩和鎖骨上的淋巴結有沒有轉移，對致密型乳腺和乳腺增生診斷有優勢。另一種無創性檢查手段是磁共振，這類檢查的特點是敏感性較高，無射線危害，但是價格昂貴，因此不能作為普查篩查的手段，一般作為鉬靶與彩超后無法確認病情的患者做進一步診斷的手段。超聲在基層醫院廣泛配置，與CT、核磁、X光等影像的采集與閱片的流程分開不同，超聲檢測的難點在于圖像采集與閱片需要同時完成，并且需要醫生采集不同切面的動態圖像進行診斷，對超聲醫生的操作技術水平和臨床經驗要求比較高，醫生的掃描手法不同、病人存在個體化差異、醫生的觀察者差異等因素的影響，極易造成誤診或漏診。

在超聲乳腺結節診斷上，病灶的精確檢出和描述對臨床指標的計算和疾病的早期診斷和治療具有重要意義。目前，現有的圖像分割方法，如閾值法、活動輪廓模型、圖割法、條件隨機場等，雖然不需要大量標記樣本訓練學習，在實際應用時仍然需要人工識別出病灶并做一些交互才能完成病灶勾畫。由于乳腺超聲圖像存在大量散斑噪聲、偽影、衰減等，常常出現病灶邊緣模糊、內部回聲不均勻等現象，此外其他組織如血管等在圖像上表現和一些類型的病變相似，加大了病灶精確分割的難度，因此設計一種實時、精確、魯棒的超聲乳腺病灶自動分割算法在臨床上具有重要意義。隨著現在計算機硬件性能的提升和深度學習算法的迭代更新，人工智能越來越廣泛用于醫學影像領域，利用人工智能等計算機輔助技術自動實時完成乳腺結節分割，可以減少對醫生經驗水平的依賴，解決人工分割主觀性強的缺點，提高醫生工作效率和診斷精度。采用深度卷積神經網絡在大量的有臨床手術病理結果的乳腺結節超聲圖像上進行訓練，在測試集數據以及臨床應用中測試，結節良惡性識別率達到83％,模型敏感度為90％,特異度為69％，隨著數據累積和算法優化，準確率可以不斷提高，對超聲乳腺疾病早期檢查的開展和普及具有重要意義。