[發明專利]一種基于人工智能的動態乳腺超聲視頻全病灶實時檢測和分割裝置、系統及圖像處理方法

有效

• 申請號: 202011333447.2
• 申請日: 2020-11-25
• 公開（公告）號: CN112446862B
• 公開（公告）日: 2021-08-10
• 發明（設計）人: 馬璐;王東;王立威;張文濤;王子騰;張佳琦;丁佳;胡陽;呂晨翀
• 申請（專利權）人: 北京醫準智能科技有限公司;廣西醫準智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/62;G06T7/73;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京蕙識同聯專利代理事務所(特殊普通合伙) 11966
• 代理人: 張林;劉曄

本發明公開了一種基于人工智能的動態乳腺超聲視頻全病灶實時檢測和分割系統。該系統至少包含該系統至少包含一臺超聲機、和AI服務器。其中AI服務器中設置有基于AI的動態乳腺超聲視頻檢測和分割裝置，該裝置至少包含(1)系統魯棒性設計模塊、(2)數據預處理模塊、(3)數據擴增模塊、(4)病灶檢測模塊、以及(5)病灶分割模塊。本發明的系統可以在不改動超聲機以及現有診斷流程的前提下，實現對動態乳腺超聲視頻影像涉及的所有病灶進行自動實時檢測，并對檢測出的病灶進行智能分割和測量，在提高效率和準確率的同時，能夠有效的幫助醫生減少漏診。

技術領域

本發明涉及醫學圖像領域，特別涉及一種基于人工智能(AI)的動態乳腺超聲視頻全病灶實時檢測和分割裝置、系統及圖像處理方法。

背景技術

乳腺癌即乳腺惡性腫瘤，根據國家癌癥中心公布的數據顯示，乳腺癌位居我國女性惡性腫瘤發病第1位，嚴重威脅女性健康。美國弗吉尼亞大學Hillman教授2010年在《NEngl J Med》上撰文指出：早期精確診斷可使乳腺癌患者5年生存率從25％提高到99％。

乳腺超聲技術具有無創、快捷、重復性強等優點，能清楚地顯示乳腺各層軟組織及其中腫塊的形態、內部結構及相鄰組織的改變。由于無放射性，可適用于任何年齡，尤其是妊娠及哺乳期女性的乳腺檢查。對X線照射有困難的部位(如乳腺邊緣)，可以作為彌補檢查，而且能較好地顯示腫塊的位置、形態、結構等。對較致密乳腺，即使有腫塊也難以分辨時，超聲可利用聲波界面反射的差別，清晰顯示病灶的輪廓和形態。

但我國的超聲檢查卻面臨兩大難題：一是超聲醫生培養難，醫生在能夠正確解讀超聲圖像之前，需要經過大量的培訓，且學習周期長、學習難度大，不同操作者對圖像的解讀具有差異性；二是我國超聲醫生資源嚴重緊缺，衛計委統計年鑒顯示，超聲注冊醫生至少有10萬人的缺口。目前，乳腺超聲影像診斷的高需求和現實供給之間的不平衡，已經成為臨床實踐中亟待解決的主要問題之一。

醫學影像的全面數字化和計算機技術的發展，為從技術層面解決這一問題帶來了希望。最先發展起來的是計算機輔助檢測/診斷(computer aided detection/diagnosis，CAD)系統。CAD是一種通過綜合運用計算機、數學、統計學、圖像處理與分析方法，由人工從醫學影像上進行特征提取、標注可疑病變位置、對病灶區域進行良惡性判斷的AI技術。這種訓練方法易于理解，因為其結果是依據輸入的特征運算的，可以有效提高訓練的效率和準確率，降低運算的復雜度。但傳統CAD功能單一、性能不足，病灶檢出假陽性率過高，在性能上很快到達瓶頸，其臨床價值沒有得到充分肯定。

近幾年，隨著深度學習算法的出現和成熟，AI技術在醫學影像中的應用逐步走向了更高的層面，為突破傳統CAD系統的準確性瓶頸帶來了可能。與傳統CAD不同的是，深度學習可以不依據人工提取的特征進行后續的圖像處理。有學者指出，深度神經網絡提取的特征有時比人類設計的特征更有效。大量超聲CAD模型的成果構建和優秀的診斷能力也證明了這一點。例如liu以及Shi等人將有監督的深度學習技術應用到了乳腺超聲影像中，將S-DPN網絡應用于兩個小的乳腺超聲數據集中，在加入了一些后處理方法如SVM之后最高分類準確率達到了92.4％；Han S等人利用深度卷積網絡GoogLeNet CNN對5151個病人的7408張超聲影像進行了乳腺超聲影像的分類，實現了端對端的學習，分類準確率達到了90％，超過了人類醫生。

但目前這些探索大多都還著眼于二維影像的結節，對于臨床實際應用場景來講，一是基于二維圖的輔助檢測對臨床的幫助非常有限，通常需要醫生手動截圖，再將圖像傳給服務器進行檢測，而臨床掃描超聲的過程中，圖像是在不斷的變化的，所以這種檢測方式不僅會打破醫生的診斷流程，增加操作負擔，而且醫生也不可能圖像變化一次就截圖一次，完全無法應用于臨床；二是，大多研究都僅著眼于結節的輔助檢測，其他類型病灶還是需要完全靠醫生，并不能有效的幫助醫生提高信心及效率；三是，二維圖病灶信息并不充分，超聲圖像經常會有某些切面的一些脂肪或血管等看起來與病灶無異，必須結合前后的影像綜合判斷，所以基于二維圖的準確性存在天然的瓶頸，通常會有很高的假陽性。