[發(fā)明專利]基于超聲影像的乳腺腫瘤識別方法

在審

• 申請?zhí)枺?/td>: 202011562666.8
• 申請日: 2020-12-25
• 公開（公告）號: CN112508943A
• 公開（公告）日: 2021-03-16
• 發(fā)明（設(shè)計）人: 李石明
• 申請（專利權(quán)）人: 四川工商學(xué)院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08;G16H30/20
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 許志輝

本發(fā)明涉及超聲影像識別領(lǐng)域，公開了一種基于超聲影像的乳腺腫瘤識別方法，包括：采集乳腺腫瘤超聲影像，并對乳腺腫瘤超聲影像進(jìn)行標(biāo)注；對標(biāo)注后的乳腺腫瘤超聲影像進(jìn)行預(yù)處理；將預(yù)處理后的乳腺腫瘤超聲影像在蒸餾神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，獲得訓(xùn)練后的乳腺腫瘤識別模型；將待識別的乳腺超聲影像輸入乳腺腫瘤識別模型，得到乳腺腫瘤識別模型輸出的識別結(jié)果。本發(fā)明用于提高乳腺產(chǎn)生圖像的識別效率和識別準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及超聲影像識別領(lǐng)域，具體是指一種基于超聲影像的乳腺腫瘤識別方法。

背景技術(shù)

近年來，乳腺腫瘤的發(fā)病率在世界范圍內(nèi)呈上升趨勢。據(jù)世界衛(wèi)生組織國際腫瘤癥研究中心2013年公布的數(shù)據(jù)，自2008年以來，全球每年乳腺腫瘤病例以超過20％的速度增長，而死亡率每年長14％。

超聲影像技術(shù)是目前為止最經(jīng)濟(jì)且高效的乳腺腫瘤早期篩查方法之一，減少了不必要的活體組織檢查，但是乳腺超聲圖像的識別結(jié)果完全依靠醫(yī)生的經(jīng)驗，具有一定的主觀性。急需一個高效的計算機(jī)輔助識別(CAD，Computer-aided Detection)系統(tǒng)來提高乳腺超聲圖像的識別效率和準(zhǔn)確性。

發(fā)明內(nèi)容

基于以上技術(shù)問題，本發(fā)明提供了一種基于超聲影像的乳腺腫瘤識別方法，用于提高乳腺產(chǎn)生圖像的識別效率和識別準(zhǔn)確率。

為解決以上技術(shù)問題，本發(fā)明采用的技術(shù)方案如下：

基于超聲影像的乳腺腫瘤識別方法，包括：采集乳腺腫瘤超聲影像，并對乳腺腫瘤超聲影像進(jìn)行標(biāo)注；對標(biāo)注后的乳腺腫瘤超聲影像進(jìn)行預(yù)處理；將預(yù)處理后的乳腺腫瘤超聲影像在蒸餾神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，獲得訓(xùn)練后的乳腺腫瘤識別模型；將待識別的乳腺超聲影像輸入乳腺腫瘤識別模型，得到乳腺腫瘤識別模型輸出的識別結(jié)果。

作為一種優(yōu)選的方式，蒸餾神經(jīng)網(wǎng)絡(luò)包括教師網(wǎng)絡(luò)和學(xué)生網(wǎng)絡(luò)；蒸餾神經(jīng)網(wǎng)絡(luò)根據(jù)蒸餾算法，通過教師網(wǎng)絡(luò)來指導(dǎo)學(xué)生網(wǎng)絡(luò)進(jìn)行訓(xùn)練；其中，學(xué)生網(wǎng)絡(luò)具有雙層分類網(wǎng)絡(luò)結(jié)構(gòu)，教師網(wǎng)絡(luò)中引入掩膜參數(shù)。

作為一種優(yōu)選的方式，乳腺腫瘤超聲影像分為清潔數(shù)據(jù)集和噪聲數(shù)據(jù)集。

作為一種優(yōu)選的方式，清潔數(shù)據(jù)集采用基于病理識別的強(qiáng)標(biāo)簽數(shù)據(jù)；噪聲數(shù)據(jù)集采用基于雙雷達(dá)系統(tǒng)獲取的弱標(biāo)簽數(shù)據(jù)和基于病理識別的強(qiáng)標(biāo)簽數(shù)據(jù)。

作為一種優(yōu)選的方式，標(biāo)注包括良性腫瘤標(biāo)注和惡性腫瘤標(biāo)注。

作為一種優(yōu)選的方式，預(yù)處理包括將乳腺腫瘤超聲影像的空白部分、私人信息和乳腺組織的背景去除，得到僅保留乳腺腫瘤圖像信息的乳腺超聲影像。

作為一種優(yōu)選的方式，識別結(jié)果符合BI-RADS分級標(biāo)準(zhǔn)。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

(1)本發(fā)明針對乳腺超聲波圖像，采用深度學(xué)習(xí)模型，對乳腺腫瘤所在的區(qū)域進(jìn)行了自動定位和識別(良性或惡性)。該深度學(xué)習(xí)模型的識別準(zhǔn)確度遠(yuǎn)好于傳統(tǒng)的基于圖像處理和計算機(jī)視覺的方法。對于定位后的區(qū)域圖片，我們用深度學(xué)習(xí)模型的方法，建立了乳腺腫瘤的良性或惡性的預(yù)測模型，提高了乳腺產(chǎn)生圖像的識別效率和識別準(zhǔn)確率。

(2)本發(fā)明通過蒸餾神經(jīng)網(wǎng)絡(luò)，使用了雙分支學(xué)習(xí)的框架，教師網(wǎng)絡(luò)應(yīng)用了傳統(tǒng)的學(xué)習(xí)方式，學(xué)生網(wǎng)絡(luò)盡量遺忘復(fù)雜有歧義的數(shù)據(jù)，并通過知識蒸餾，學(xué)習(xí)教師網(wǎng)絡(luò)的有效信息，充分挖掘基于BI-RADS識別結(jié)果數(shù)據(jù)的有效信息，從而來提高識別準(zhǔn)確率。

附圖說明

本申請將以示例性實施例的方式進(jìn)一步說明，這些示例性實施例將通過附圖進(jìn)行詳細(xì)描述，其中：

圖1為基于超聲影像的乳腺腫瘤識別方法流程示意圖。

具體實施方式