[發明專利]超聲乳腺病灶的分類方法、裝置及存儲介質

在審

• 申請號: 202011644067.0
• 申請日: 2020-12-31
• 公開（公告）號: CN112699948A
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 甘從貴;過易;趙明昌
• 申請（專利權）人: 無錫祥生醫療科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00;G06T7/10
• 代理公司: 無錫市興為專利代理事務所(特殊普通合伙) 32517
• 代理人: 屠志力

1.一種超聲乳腺病灶的分類方法，其特征在于，所述方法包括：

獲取待分類的目標超聲乳腺信息，所述目標超聲乳腺信息為目標超聲乳腺圖像或者目標超聲乳腺視頻，所述目標超聲乳腺視頻中包括至少兩幀目標超聲乳腺圖像；

對于每一幀目標超聲乳腺圖像，將所述目標超聲乳腺圖像分割為n₁*n₂個數據塊；其中，n₁為圖像高度方向分割的數據塊數目，n₂為圖像寬度方向分割的數據塊數目，所述n₁，n₂為正整數；

將每個數據塊轉換為p₁*p₂*c維的向量數據；其中n₁＝H/p₁，n₂＝W/p₂；H為輸入圖像的高度，W為輸入圖像的寬度，p₁為分割后數據塊的高度，p₂為分割后數據塊的寬度；

將n₁*n₂個數據塊對應的向量數據合并，得到n₁n₂×p₁p₂c的二維數據矩陣；

根據每個數據塊在所述目標超聲乳腺圖像中的位置，生成所述位置對應的位置編碼向量，并將所述位置編碼向量添加至所述二維數據矩陣中，得到的待處理的數據矩陣；

將所述待處理的數據矩陣輸入預先訓練的圖像分類網絡中，得到所述目標超聲乳腺圖像所對應的病灶性質分類。

2.根據權利要求1所述的方法，其特征在于，

所述圖像分類網絡包括多頭注意力模塊、前饋神經模塊和多層全連接分類模塊；

所述多頭注意力模塊包括三個全連接網絡、激活函數層和多維邏輯回歸層，每個全連接網絡的輸入為所述待處理的數據矩陣，輸出為預設維度的特征數據；其中，預設兩個全連接網絡輸出的特征數據相乘并除以預設比例因子后，經過所述多維邏輯回歸層計算得到邏輯回歸結果；所述邏輯回歸結果與另一個全連接網絡的特征數據相乘后，得到所述多頭注意力模塊的輸出結果；所述另一個全連接網絡是所述三個全連接網絡中與所述預設兩個全連接網絡不同的全連接網絡；

所述前饋神經模塊包括全連接網絡、與所述全連接網絡相連的線性整流激活函數和層歸一化；所述多頭注意力模塊的輸出結果經過全連接網絡、與所述全連接網絡相連的線性整流激活函數和層歸一化后，得到所述前饋神經模塊的輸出結果；

所述多層全連接分類模塊接收到所述前饋神經模塊的輸出結果后，經過全連接層處理；將處理后的數據進行層歸一化處理，得到所述病灶性質分類。

3.根據權利要求1所述的方法，其特征在于，若所述目標超聲乳腺圖像為所述目標超聲乳腺視頻中的圖像，則所述方法還包括：

在根據每幀目標超聲乳腺圖像得到病灶性質分類之后，根據所述目標超聲乳腺視頻中的各幀目標超聲乳腺圖像得到的病灶性質分類確定得到所述目標超聲乳腺視頻所對應的病灶性質分類。

4.根據權利要求3所述的方法，其特征在于，所述根據所述目標超聲乳腺視頻中的各幀目標超聲乳腺圖像得到的病灶性質分類確定得到所述目標超聲乳腺視頻所對應的病灶性質分類，包括：

若所述目標超聲乳腺視頻的各幀目標超聲乳腺圖像中不存在病灶性質分類為惡性的圖像，則統計各幀目標超聲乳腺圖像所對應的病灶性質分類中數量最多的病灶性質分類，并將統計得到的病灶性質分類確定為所述目標超聲乳腺視頻所對應的病灶性質分類；

若所述目標超聲乳腺視頻的各幀目標超聲乳腺圖像中存在病灶性質分類為惡性的圖像，則將所述目標超聲乳腺視頻所對應的病灶性質分類確定為惡性。

5.根據權利要求1至4任一所述的方法，其特征在于，所述病灶性質分類包括：良性類型和惡性類型；或者，包括良性類型、惡性類型、炎癥類型、腺病類型、增生類型、導管擴張類型、早期浸潤癌、浸潤癌、非浸潤性癌、小葉腺癌、導管腺癌、髓樣癌、硬癌、單純癌、原位癌、早期癌、未分化癌、低分化癌、中分化癌、高分化癌中的至少一種。