乳腺密度的获取方法、设备及可读存储介质技术

本发明专利技术提供一种乳腺密度的获取方法、设备以及可读存储介质。该方法包括：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，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；根据乳房分割结果图像和腺体分割结果图像计算腺体量值与乳房量值的比值；根据比值确定所述待检测乳腺图像的乳腺密度。本发明专利技术由于采用了对乳房训练图像和腺体训练图像进行机器学习训练得到的分割模型，其提高了所计算的乳腺密度的准确性，以使得乳腺癌的患病风险预测更加准确直观；并且，由于上述乳房分割结果图像和腺体分割结果图像是通过计算机设备全自动获取的，其提高了计算效率。

【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像和腺体训练图像进行机器学习训练得到的；计算模块，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；并根据所述比值确定所述待检测乳腺图像的乳腺密度。第三方面，本专利技术实施例提供的一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器用于执行所述计算机程序时实现以下步骤：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。第四方面，本专利技术实施例提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：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。上述乳腺密度的获取方法、设备及可读存储介质，由于采用了对乳房训练图像和腺体训练图像进行机器学习训练得到的分割模型，因而使得通过该分割模型输出的乳房分割结果图像和腺体分割结果图像更为精确，由此可以计算得到更为精确的腺体量值与乳房量值的比值，从而提高了本实施例所计算的乳腺密度的准确性，以使得乳腺癌的患病风险预测更加准确直观；并且，由于上述乳房分割结果图像和腺体分割结果图像是通过计算机设备全自动获取的，其相比手工设置乳腺图像的亮度阈值以分离乳房的脂肪组织和腺体组织的方式，其提高了计算效率，尤其适用于乳腺密度小于25％的图像。附图说明图1为一个实施例提供的乳腺密度的获取方法流程示意图；图2a为MLO位图像示意图；图2b为CC位图像示意图；图2c为乳腺分割过程示意图；图3为另一个实施例提供的乳腺密度的获取方法流程示意图；图4为又一个实施例提供的乳腺密度的获取方法流程示意图；图5为又一个实施例提供的乳腺密度的获取方法流程示意图；图6a为一个实施例提供的2DVnet的网络结构图；图6b为一个实施例中确定乳房分割参数的实际值以及腺体分割参数的实际值的过程示意图；图7为又一个实施例提供的乳腺密度的获取方法流程示意图；图8为又一个实施例提供的乳腺密度的获取方法流程示意图；图9为一个实施例提供的乳腺密度的获取装置的结构示意图；图10为另一个实施例提供的乳腺密度的获取装置的结构示意图；图11为又一个实施例提供的乳腺密度的获取装置的结构示意图；图12为又一个实施例提供的乳腺密度的获取装置的结构示意图。具体实施方式随着人类科技的发展，现代社会人们的物质生活越来越丰富，然而环境污染、生活压力等社会问题也日益加重。乳腺癌作为现代女性的常见肿瘤，其发病率呈逐渐上涨的趋势。临床统计数据表明，乳腺癌在发病早期的治愈率较高，因而女性乳腺癌的早期筛查是提高早期检出率的关键，通过及早的识别高危患者并进行充分治疗可以降低乳腺癌的死亡率。通常，医学上对乳腺癌患病概率的测算是通过对人体的乳腺密度进行测算来判断。常见的方法是，采集乳腺图像，并将采集到的乳腺图像进行人工标定亮度阈值的方法，将图像中白色的乳腺腺体从黑色的脂肪组织中分离出来，从而计算乳腺密度。然而，通过人工设置图像亮度阈值的方式对乳腺图像中的白色腺体进行分离，由于其亮度阈值的设置主观性较强，因而分离出乳腺图像的区域精度有限，导致测算出来的乳腺密度不准确，从而使得对乳腺癌患病概率测算准确度不高，且该方法费时费力。本专利技术实施例提供的乳腺密度的获取方法旨在解决传统技术的如上技术问题。需要说明的是，本专利技术实施例提供的乳腺密度的获取方法，其执行主体可以是乳腺密度的获取装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，该计算机设备可以为PC、便携式设备、服务器等具有数据处理功能的电子设备，本实施例对计算机设备的具体形式并不做限定。下述方法实施例的执行主体以计算机设备为例来进行说明。为了使本专利技术的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本专利技术实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。图1为一个实施例提供的乳腺密度的获取方法的流程示意图，本实施例涉及的是计算机设备根据所输入的待检测乳腺图像和预设的分割模型获取乳腺密度的具体过程。如图1所示，该方法包括：S101、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(machinelearning)训练得到的。需要说明的是，计算机设备将待检测的乳腺图像作为上述预设的分割模型的输入，该原始乳腺图像可以为MLO位图像，即内侧斜位乳腺图像，可以参见图2a所示，也可以为CC位图像，即乳腺轴位图像，可以参见图2b所示。另外，上述预设的分割模型包含待检测的乳腺图像分别与目标乳房分割结果图像和目标腺体分割结果图像的映射关系，具体为，将待检测的乳腺图像输入至该预设的分割模型，该分割模型根据其包含的映射关系，可以根据输入得到输出对应的乳房分割结果图像和腺体分割结果图像。可选的，上述机器学习训练得到的分割模型，该分割模型可以采用基于卷积神经网络(convolutionalneuralnetwork)的分本文档来自技高网...

【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