【技术实现步骤摘要】
乳腺密度的获取方法、设备及可读存储介质
本专利技术涉及医疗领域,特别是涉及一种乳腺密度的获取方法、设备及可读存储介质。
技术介绍
随着社会的发展,人类生活的物质条件越来越丰富,但是随之人们的生活压力也越来越大,而乳腺癌作为现代社会的常见疾病深深的困扰着现代女性,该病种的发病率越来越高并且呈现年轻化。因此,为了保证女性健康,需要定期对乳腺进行检查,从而预防疾病的发生。目前医学上通过对乳腺密度进行观测,从而预测女性罹患乳腺癌的风险。传统技术通过对乳房拍摄的图像,进行人工设置亮度阈值的方式,将黑色的脂肪组织从图像中分离出来,得到白色的腺体图像,从而用于计算乳腺密度。然而,利用人工设置图像亮度阈值的方式,所计算出来的乳腺密度准确率较低,从而使得对女性罹患乳腺癌的概率计算不准确。
技术实现思路
基于此,有必要针对传统技术中采用人工设置图像亮度阈值的方式测算出来的乳腺密度准确性低的问题,提供一种乳腺密度的获取方法、设备及可读存储介质。第一方面,本专利技术实施例提供一种乳腺密度的获取方法,包括:根据输入的待检测乳腺图像和预设的分割模型,获取乳房分割结果图像和腺体分割结果图像;其中,所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的;根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值;根据所述比值确定所述待检测乳腺图像的乳腺密度。第二方面,本专利技术实施例提供一种乳腺密度的获取装置,包括:图像分割模块,用于根据输入的待检测乳腺图像和预设的分割模型,获取乳房分割结果图像和腺体分割结果图像;其中,所述预设的分割模型通过利用乳房训练图 ...
【技术保护点】
1.一种乳腺密度的获取方法,其特征在于,包括:根据输入的待检测乳腺图像和预设的分割模型,获取乳房分割结果图像和腺体分割结果图像;其中,所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的;根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值;根据所述比值确定所述待检测乳腺图像的乳腺密度。
【技术特征摘要】
1.一种乳腺密度的获取方法,其特征在于,包括:根据输入的待检测乳腺图像和预设的分割模型,获取乳房分割结果图像和腺体分割结果图像;其中,所述预设的分割模型通过利用乳房训练图像和腺体训练图像进行机器学习训练得到的;根据所述乳房分割结果图像和所述腺体分割结果图像计算腺体量值与乳房量值的比值;根据所述比值确定所述待检测乳腺图像的乳腺密度。2.根据权利要求1所述的方法,其特征在于,所述根据输入的待检测乳腺图像和预设的分割模型,获取乳房分割结果图像和腺体分割结果图像之前,还包括:根据所述乳房训练图像和初始分割模型,确定乳房分割参数的实际值和腺体分割参数的实际值;其中,所述初始分割模型包括初始乳房分割网络和初始腺体分割网络,所述初始乳房分割网络中包含乳房分割参数的初始设定值,所述初始腺体分割网络中包含腺体分割参数的初始设定值,所述乳房训练图像包括:MLO位训练图像、CC位训练图像、MLO位乳房分割金标准图像、CC位乳房分割金标准图像、MLO位腺体分割金标准图像和CC位腺体分割金标准图像;将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值,得到所述分割模型中的乳房分割网络;将所述腺体分割参数的初始设定值替换为所述腺体分割参数的实际值,得到所述分割模型中的腺体分割网络。3.根据权利要求2所述的方法,其特征在于,所述根据所述乳房训练图像和初始分割模型,确定乳房分割参数的实际值和腺体分割参数的实际值,包括:当所述MLO位训练图像和所述CC位训练图像不满足所述分割模型的图像格式要求时,根据乳房的位置和所述图像格式要求对所述MLO位训练图像和所述CC位训练图像进行处理,得到满足所述图像格式要求的第一MLO位训练图像和第一CC位训练图像;根据所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像、所述CC位乳房分割金标准图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像以及初始分割模型,确定所述乳房分割参数的实际值和所述腺体分割参数的实际值。4.根据权利要求3所述的方法,其特征在于,所述根据所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像、所述CC位乳房分割金标准图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像以及初始分割模型,确定所述乳房分割参数的实际值和所述腺体分割参数的实际值,包括:将所述第一MLO位训练图像、所述第一CC位训练图像、所述MLO位乳房分割金标准图像和所述CC位乳房分割金标准图像输入至所述初始乳房分割网络中,并采用机器学习训练方法,得到所述乳房分割参数的实际值;将所述乳房分割参数的初始设定值替换为所述乳房分割参数的实际值,得到所述乳房分割网络以及所述乳房分割网络当前输出的MLO位训练标识图像和CC位训练标识图像;将所述MLO位训练标识图像、所述CC位训练标识图像、所述MLO位腺体分割金标准图像、所述CC位腺体分割金标准图像输入至所述初始腺体分割网络中,并采用机器学习训练方法,得到所述腺体分...
【专利技术属性】
技术研发人员:邵影,姜娈,李强,
申请(专利权)人:上海联影医疗科技有限公司,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。