[發(fā)明專利]一種乳腺鉬靶病灶檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202111618226.4
• 申請日: 2021-12-27
• 公開（公告）號: CN114343682A
• 公開（公告）日: 2022-04-15
• 發(fā)明（設計）人: 劉磊;鞠海濤;樊昭磊;李傳朋;張嵩;郭凱峰
• 申請（專利權）人: 山東眾陽健康科技集團有限公司
• 主分類號: A61B6/00
• 分類號: A61B6/00
• 代理公司: 濟南誠智商標專利事務所有限公司 37105
• 代理人: 朱曉熹

1.一種乳腺鉬靶病灶檢測方法，其特征是，所述方法包括以下步驟：

獲取歷史鉬靶影像數據，對所述歷史鉬靶影像數據進行鉬靶標注；

將影像按照窗值選取若干窗口，并將選取的窗口進行歸一化處理，作為訓練模型的輸入；

對輸入的無標注的影像數據集進行無監(jiān)督訓練，得到中間表示狀態(tài)，對輸入的有標注的影像數據集訓練，調節(jié)所述中間表示狀態(tài)的信息，得到訓練模型；

將待檢測鉬靶影像數據進行歸一化處理后輸入所述訓練模型，得到鉬靶病灶的檢測結果。

2.根據權利要求1所述乳腺鉬靶病灶檢測方法，其特征是，所述窗口的選取具體為：

選取窗值[0,3500]作為全局窗，選取窗值為[500,3500]作為鈣化窗，選取窗值[0,3000]作為腫塊窗。

3.根據權利要求1所述乳腺鉬靶病灶檢測方法，其特征是，所述鉬靶病灶包括良性鈣化、腫塊、腫塊伴鈣化、可疑鈣化、淋巴結腫大、非對稱致密、非對稱致密伴鈣化、結構扭曲、結構扭曲伴鈣化、皮膚增厚、皮膚收縮、乳頭凹陷。

4.根據權利要求3所述乳腺鉬靶病灶檢測方法，其特征是，所述方法還包括對于所述檢測結果中存在的良性鈣化形狀進行分類，具體過程為：

構建良性鈣化形狀數據集，對數據集中良性鈣化形狀進行標注；

將標注的影像歸一化為自然圖像，每個影像形成一張3通道圖像，作為訓練模型的輸入；

采用增加孔洞卷積的ResNet50網絡進行訓練，得到良性鈣化分類預測模型；

基于所述良性鈣化分類預測模型，對待檢測影像中的良性鈣化形狀分類進行預測。

5.根據權利要求4所述乳腺鉬靶病灶檢測方法，其特征是，所述增加孔洞卷積的ResNet50網絡具體為：

在ResNet50的Stage1、Stage2、Stage3的輸出分支上分別用3*3空洞卷積進行卷積；

在ResNet50的Stage4的輸出分支上進行1*1卷積；

經上述兩步卷積后得到4個卷積結果，通過SPP結構把四個卷積分支進行融合，得到最終圖片特征表示方式。

6.根據權利要求3所述乳腺鉬靶病灶檢測方法，其特征是，所述方法還包括對所述檢測結果中存在的可疑鈣化分布及形狀進行分析，具體過程為：

構建可疑鈣化分布和形狀數據集，在數據集中標注可疑鈣化形狀；

將標注的影像歸一化為自然圖像，每個影像形成一張3通道圖像，作為訓練模型的輸入；

采用增加孔洞卷積的ResNet50網絡進行訓練，得到可疑鈣化分布及形狀預測模型；

基于所述可疑鈣化分布及形狀預測模型，對待檢測影像中的可疑鈣化形狀分類進行預測。

7.根據權利要求3所述乳腺鉬靶病灶檢測方法，其特征是，所述方法還包括對于所述檢測結果中存在的腫塊進行分析，預測腫塊形狀、密度和邊緣，具體過程為：

構建腫塊形狀、密度和邊緣數據集，對數據集中腫塊的形狀和邊緣進行標注；

將標注的影像歸一化為自然圖像，每個影像形成一張3通道圖像，作為訓練模型的輸入；

采用增加孔洞卷積的ResNet50網絡進行訓練，得到腫塊形狀及邊緣的預測模型；

基于所述腫塊形狀及邊緣的預測模型，對待檢測影像中的腫塊形狀、邊緣和密度進行預測。

8.根據權利要求3所述乳腺鉬靶病灶檢測方法，其特征是，所述方法還包括對于檢測結果中存在的腺體類型和改變方式進行分類，具體過程為：

構建腺體類型和改變方式數據集，對數據集中LCC和RCC兩種軸位圖像對腺體類型和腺體改變方式進行標注；

將標注的影像歸一化為自然圖像，每個影像形成一張3通道圖像，作為訓練模型的輸入；

采用增加孔洞卷積的ResNet50網絡進行訓練，得到腺體類型和改變方式的預測模型；

基于所述腺體類型和改變方式的預測模型，對待檢測影像中的腺體類型和改變方式進行預測。