[發明專利]一種結節分級方法、裝置、電子設備及存儲介質

有效

• 申請號: 202110961147.7
• 申請日: 2021-08-20
• 公開（公告）號: CN113658146B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 程棟梁;張泉;謝蠡;劉振
• 申請（專利權）人: 合肥合濱智能機器人有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/74;G06V10/764;G06N20/00
• 代理公司: 安徽知問律師事務所 34134
• 代理人: 代群群

本發明公開了一種結節分級方法、裝置、電子設備及存儲介質，屬于智能醫療技術領域。該方法包括獲得待測乳腺區域的乳腺超聲圖像，提取所述待測乳腺區域的乳腺超聲圖像中某一處或多處的病灶區域圖像；將所述病灶區域圖像輸入預置的特征提取網絡模型，提取第一特征向量；計算所述第一特征向量與預置標簽庫中第二特征向量的相似度；根據所述相似度確定所述第一特征向量對應的病灶區域圖像在BI?RADS中分級結果。本申請通過自監督對比學習可以訓練原始訓練集，使預置的特征提取網絡模型學到的特征具有極強的泛化性，采用特征向量相似度的匹配方式，能夠準確獲得結節對應的分類結果，降低了噪聲的干擾，實現了自動識別BI?RADS中的分級的結果。

技術領域

本發明屬于智能醫療技術領域，具體地說，涉及一種結節分級方法、裝置、電子設備及存儲介質。

背景技術

醫療領域，對諸如乳腺和甲狀腺等結節的研究，日益引起廣泛關注。通說認為，結節是癌癥最重要的早期征象之一，根據結節的病變特征能夠推斷出病灶特性。其中，乳腺超聲圖像處理目前主要都是通過人工的方式發現圖像中的結節并對結節按照BIRADS標準進行分級，然而各個地區醫療資源不平衡，采用人工智能技術自動分級對醫療資源缺乏的區域進行乳腺癌早篩有重大意義。

目前，結節自動分級大多通過圖像分類的方法，例如使用深度神經網絡(AlexNet，Resnet，VGG，Inception等)分類的方法，具體可以參見中國專利公開號為：CN111768366A，CN110599476A，CN111000589 A。又例如使用傳統方法提取特征再訓練分類器的方法(SVM、KNN、boosting等)，具體可以中國專利公開號為CN 111768366A，CN109308488A，CN109065150A。

然而，對于深度神經網絡分類方法需要使用大量標注的數據訓練，數據量不夠可能導致網絡過早收斂，無法學習到有價值的東西。對于傳統方法分類器雖然數據少時也能學習，但是泛化差，實際的效果和數據量成正比。尤其在乳腺超聲領域，BIRADS屬性種類多(如乳腺結節形狀、生長方向、邊緣類型、邊界類型，回聲類型、后方回聲類型、鈣化類型等)，每個屬性的子類別多(如回聲類型有無回聲，低回聲，高回聲，混合回聲，等回聲5個類別)，如此量級的類別至少需要十萬量級有標注的圖像才能訓練到滿意的分類效果。而醫療領域的數據雖然采集容易(一臺超聲設備大約一天能采集幾百段視頻)，但標注困難，需要專業的經驗豐富醫師進行標注，一個醫生大約一天只能從視頻中挑選出100張圖像進行BIRADS分級標注，故難以獲得可用的數量級的訓練樣本。

因此，如何使用沒有標簽的訓練數據較好提取乳腺區域的超聲圖像的特征，提高結節分類準確率成為當前需要解決的問題。

發明內容

針對現實中較少可用訓練數據，導致結節分類準確率不佳的問題，本發明提供一種結節分級方法，該方法通過自監督對比學習可以使用未標注的數據訓練特征提取網絡，使預置的特征提取網絡模型學到的特征具有極強的泛化性，可以顯著降低誤檢；建立的預置標簽庫中BI-RADS分級的標準與第二特征向量對應，采用特征向量相似度的匹配方式，能夠準確獲得結節對應的分類結果，同時降低了噪聲的干擾，實現了自動識別BI-RADS中的分級的結果。

為實現上述目的，本發明采用如下的技術方案。

本發明第一方面提供一種結節分級方法，所述方法包括：

獲得待測乳腺區域的乳腺超聲圖像，提取所述待測乳腺區域的乳腺超聲圖像中某一處或多處的病灶區域圖像；

將所述病灶區域圖像輸入預置的特征提取網絡模型，提取第一特征向量；

計算所述第一特征向量與預置標簽庫中第二特征向量的相似度；其中所述第二特征向量與預置標簽庫中BI-RADS分級的標準相對應；

根據所述相似度確定所述第一特征向量對應的病灶區域圖像在BI-RADS中分級結果。