[發明專利]一種超聲影像及組學大數據的三陰性乳腺癌分類方法

在審

• 申請號: 202211331810.6
• 申請日: 2022-10-28
• 公開（公告）號: CN115409832A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 李珊珊;劉文;姚回
• 申請（專利權）人: 新疆暢森數據科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/26;G06V10/40;G06V10/44;G06V10/50;G06V10/52;G06V10/54;G06V10/764;G06V10/77;G06V10/771;G06V10/774;G06V10/80;G06V10/82;G06N3/
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及人工智能領域，公開一種超聲影像及組學大數據的三陰性乳腺癌分類方法，內容如下：S1、對乳腺超聲影像數據集的腫瘤區域進行標注處理，并進行數據增強預處理操作；S2、使用S1中的數據集對深度學習模型進行權重訓練；S3、利用深度學習模型提取三陰性與非三陰性乳腺超聲數據集的腫瘤區域；S4、使用影像組學技術將步驟S3得到的腫瘤區域進行高通量特征提取，并采用T檢驗和LASSO算子對數據進行特征降維，篩選出最重要的特征；S5、將步驟4獲取的最重要的特征，利用隨機森林算法對三陰性與非三陰性的乳腺超聲影像進行分類比較。采用深度學習與影像組學技術能夠實現三陰性與非三陰性乳腺癌的精準分類。

技術領域

本發明屬于人工智能領域，特別涉及一種超聲影像及組學大數據的三陰性乳腺癌分類方法。

背景技術

三陰性乳腺癌具有病情發展快、死亡率高及治療方式有限等特點。早期發現并積極治療可以極大的提高患者生存率并改善患者的預后。自2012年AlexNet提出以來，基于人工神經網絡的深度學習技術得到了蓬勃發展。針對醫生診斷時會出現疲勞、診斷結果具有主觀性以及漏檢及誤檢等問題，眾多學者紛紛將深度學習技術應用于醫學領域，計算機輔助診斷系統得到了極大的改良，準確率大幅提升。同時在2012年，Lambin等人提出了影像組學概念，該方法能高通量的提取醫學影像的特征，該方法包括醫學影像收集、圖像分割、特征提取、建立模型、分析及預測等步驟，為醫生臨床診斷提供幫助。該方法能挖掘出肉眼無法辨別的信息，更加全面清楚了解病灶區域特點，有助于對腫瘤病變做更精確的診斷與治療。

傳統醫生閱片時，在判斷腫瘤的位置，形態、邊緣及腫瘤的類別時，其結果非常依賴于醫生自身經驗，不同的醫生閱相同的影像，會得出不一樣的結論。但是，通過影像組學高通量提取影像的潛在客觀信息，這些客觀信息也就是圖像的特征。影像組學提取的特征少則幾百，多則幾萬，但是不是每一個特征都在圖像分析中起決定性作用，因此如何篩選出最重要的特征對預測、分析和評估模型尤其關鍵。

傳統的醫學圖像分割基于特征工程，依賴人工設置閾值，需要耗費大量人力。當前基于深度學習的圖像分割技術已經實現端到端的圖像分割，即輸入原圖，即可輸出分割結果。近年來，隨著FCN，UNet，PSPNet，SegNet等網絡的提出，基于深度學習技術的圖像分割效果越來越好。其中，UNet被廣泛應用于醫學圖像分割領域。但是針對復雜的乳腺超聲影像數據集，傳統的U-Net算法的泛化能力于分割精度還不足。

為了解決復雜的乳腺超聲醫學圖像語義分割精度問題，U-Net模型算法可以將圖像淺層信息與深層信息結合，小數據集就可以得到準確的分割結果，非常適合于醫學圖像分割。但是，U-Net算法對圖像的空間和通道信息利用不充分，在乳腺超聲影像分割中無法取得理想的效果。因此針對此問題，本發明提出了一種改進的U-Net算法，在編碼階段引入ECA注意力機制和MC模塊，加強模型對通道信息利用能力，在解碼階段利用多尺度上下文語義信息進行特征融合操作，整體改進結構流程圖如圖5所示。

如圖5所示，在精確分割圖像的基礎上，為了驗證影像組學中三陰性與非三陰性乳腺癌的特征分類效果，首先使用了小波變換、直方圖特征、紋理信息以及濾波操作對圖像進行特征提取；其次使用T檢驗及LASSO算子進行重要特征篩選；最后利用隨機森林機器學習方法其進行預測和評估。

發明內容

本發明提供一種超聲影像及組學大數據的三陰性乳腺癌分類方法，可以解決復雜的乳腺超聲醫學圖像分割與分類問題。

本發明提供一種超聲影像及組學大數據的三陰性乳腺癌分類方法，該方法包括以下步驟：

S1、對乳腺超聲影像數據集進行數據增強預處理操作；

S2、使用深度學習技術對乳腺超聲影像數據集訓練；

S3、利用S2步驟訓練好的模型提取乳腺超聲影像三陰性與非三陰性的腫瘤區域；

S4、使用影像組學技術將步驟S3得到的腫瘤區域進行高通量特征提取，并篩選出最重要的特征；