[發(fā)明專利]一種基于關(guān)鍵點(diǎn)學(xué)習(xí)的乳腺超聲影像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011290015.8
• 申請(qǐng)日: 2020-11-18
• 公開(kāi)（公告）號(hào): CN112348106B
• 公開(kāi)（公告）日: 2022-06-28
• 發(fā)明（設(shè)計(jì)）人: 楊國(guó)武;陳琴;曹占濤;王剛;張孟華;孔令宇
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06K9/62;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠(chéng)專利代理事務(wù)所(普通合伙) 11870
• 代理人: 李夢(mèng)蝶

1.一種基于關(guān)鍵點(diǎn)學(xué)習(xí)的乳腺超聲影像分類方法，其特征在于，包括以下步驟：

S1、采集乳腺超聲圖像，并對(duì)每一張乳腺超聲圖像進(jìn)行預(yù)處理和良惡性標(biāo)注，得到乳腺超聲圖像集；

S2、將乳腺超聲圖像集劃分為多個(gè)子集，并采用多個(gè)子集訓(xùn)練和驗(yàn)證多個(gè)良惡性預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型，并基于良惡性預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型，得到多個(gè)本地測(cè)試集的良惡性概率；

步驟S2包括以下分步驟：

S21、將乳腺超聲圖像集劃分為1至m個(gè)子集和本地測(cè)試集；

S22、將第k個(gè)子集作為驗(yàn)證集，將剩余子集作為訓(xùn)練集，構(gòu)建第k個(gè)訓(xùn)練驗(yàn)證對(duì)，得到m個(gè)訓(xùn)練驗(yàn)證對(duì)，采用第k個(gè)訓(xùn)練驗(yàn)證對(duì)訓(xùn)練并驗(yàn)證第k個(gè)良惡性預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型，得到訓(xùn)練完成的m個(gè)良惡性預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型；

S23、采用本地測(cè)試集對(duì)訓(xùn)練完成的m個(gè)良惡性預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，得到m個(gè)本地測(cè)試集的良惡性概率其中，1≤k≤m；

S3、根據(jù)每一個(gè)本地測(cè)試集的良惡性概率和BI-RADS標(biāo)準(zhǔn)，構(gòu)建惡性概率點(diǎn)集中6個(gè)概率關(guān)鍵點(diǎn)，計(jì)算乳腺超聲圖像的類別；

步驟S3包括以下分步驟：

S31、對(duì)m個(gè)本地測(cè)試集的良惡性概率進(jìn)行排序，根據(jù)每一個(gè)排序后的良惡性概率和BI-RADS標(biāo)準(zhǔn)，設(shè)定乳腺超聲圖像的評(píng)級(jí)為BI＝{3，4a，4b，4c，5}記為{c₁，c₂，c₃，c₄，c₅}，其每一個(gè)級(jí)別對(duì)應(yīng)的惡性概率點(diǎn)集B＝{0％，2％，10％，50％，95％，100％}；

S32、根據(jù)惡性概率點(diǎn)集B＝{0％，2％，10％，50％，95％，100％}，計(jì)算邊界概率值校準(zhǔn)函數(shù)Z(b_i)：

步驟S32中計(jì)算邊界概率值校準(zhǔn)函數(shù)Z(b_i)的公式為：

V＝{s₁，…，s_t}，b_i∈B

其中，邊界概率值校準(zhǔn)函數(shù)Z(b_i)為惡性概率點(diǎn)集B中對(duì)應(yīng)的6個(gè)概率關(guān)鍵點(diǎn)，為對(duì)應(yīng)2％的關(guān)鍵點(diǎn)，為對(duì)應(yīng)10％的關(guān)鍵點(diǎn)，為對(duì)應(yīng)95％的關(guān)鍵點(diǎn)，i＝0，1，2，3，4，5，k₁為預(yù)測(cè)為3類子集V₁中樣本數(shù)的最大值，k₂為預(yù)測(cè)為4a類子集V₂中樣本數(shù)的最大值，k₃預(yù)測(cè)為5類子集V₅中樣本數(shù)的最大值，V₁、V₂和V₃為V的子集，V為驗(yàn)證集，{s₁，…，s_t}為驗(yàn)證集V中的t個(gè)乳腺超聲影像樣本，為預(yù)測(cè)為3類的樣本子集，為預(yù)測(cè)為4a類的樣本子集，為預(yù)測(cè)為5類的樣本子集，為V₁中惡性腫瘤的比例，為V₂中惡性腫瘤的比例，為V₃中惡性腫瘤的比例，b_i為惡性概率點(diǎn)集B中的元素；

S33、根據(jù)本地測(cè)試集的良惡性概率在邊界概率值校準(zhǔn)函數(shù)Z(b_i)中所處的范圍，得到乳腺超聲圖像的類別c_i；

S4、根據(jù)乳腺超聲圖像的類別，利用投票產(chǎn)生BI-RADS評(píng)級(jí)的多級(jí)分類預(yù)測(cè)結(jié)果，并調(diào)整相應(yīng)的乳腺腫瘤的惡性概率值，并基于乳腺腫瘤的惡性概率值，得到乳腺超聲影像BI-RADS分類結(jié)果；

步驟S4包括以下分步驟：

S41、根據(jù)每一個(gè)良惡性預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型和每一個(gè)本地測(cè)試集的良惡性概率對(duì)乳腺超聲圖像的類別進(jìn)行投票，將投票率高的類別作為BI-RADS評(píng)級(jí)預(yù)測(cè)結(jié)果

S42、根據(jù)BI-RADS預(yù)測(cè)結(jié)果計(jì)算乳腺腫瘤的惡性概率值；

所述步驟S42中計(jì)算乳腺腫瘤的惡性概率值的公式為：

其中，為乳腺腫瘤的惡性概率值，為投票后與投票結(jié)果一致的模型的惡性概率值的平均結(jié)果，為本地測(cè)試集中樣本被預(yù)測(cè)為BI-RADS評(píng)級(jí)時(shí)對(duì)應(yīng)的惡性率上界，為本地測(cè)試集中樣本被預(yù)測(cè)為BI-RADS評(píng)級(jí)時(shí)對(duì)應(yīng)的惡性率下界；

S43、根據(jù)乳腺腫瘤的惡性概率值，得到乳腺超聲影像BI-RADS分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于關(guān)鍵點(diǎn)學(xué)習(xí)的乳腺超聲影像分類方法，其特征在于，所述步驟S1包括以下分步驟：

S11、采集乳腺超聲圖像，對(duì)乳腺超聲圖像進(jìn)行圖像大小統(tǒng)一和圖像的腫瘤部位截取的預(yù)處理工作，得到預(yù)處理后的乳腺超聲圖像；

S12、對(duì)預(yù)處理后的乳腺超聲圖像進(jìn)行良惡性標(biāo)注，得到乳腺超聲圖像集。