乳腺超声图像识别分析方法及系统技术方案

本发明专利技术提供了一种自动分析乳腺超声图像，识别乳腺病灶后进行病灶区域轮廓提取及参数计算的方法及系统。本发明专利技术使用卷积神经网络来构建识别分类识别及分割提取模型，能够识别出视频或图像中的乳腺病灶区域，并可以自动提取出病灶区域轮廓，并计算出病灶区域的参数。本发明专利技术的方法及系统显著提高辅助诊断正确率，大大减少医生的重复操作，且鲁棒性好。

Breast Ultrasound Image Recognition Analysis Method and System

【技术实现步骤摘要】
乳腺超声图像识别分析方法及系统
本专利技术涉及超声检查
，具体是一种乳腺超声图像识别分析方法及系统。
技术介绍
目前在使用超声设备检查患者乳腺部位进行检查时，由于机器成图质量受机器参数设置，探头检查时角度，以及医生经验等影响，导致在实时检查病人过程中，难以快速识别图像上出现的病灶；而且由于超声科医生的每天繁重的工作量，受体力情绪等因素影响，难以对所有患者身上的每个病灶都精准地触及分析；另外，由于受目前超声设备操作的繁琐性，医生对检查中发现的每个病灶区域中病灶的勾勒、测量等操作都需要大量的按键操作。目前设备难以方便快捷的根据图中的病灶区域得出用来分析判断的量化指标等。传统乳腺癌诊断是通过一些超声征象，如钙化、形态、纵横比、是否浸润等一些标准来判断是否是乳腺癌，受诊断医生经验、设备等因素影响，诊断正确率一直不高。对发现的病灶区域提取也是通过水平集等传统算法分割来进行轮廓提取的，在分割过程中，受成图质量、经验等影响，难以自适应地针对每个患者适用。如何提高检查医生的诊治正确率，降低设备对经验的要求一直是研究中的难点。深度学习，特别是卷积神经网络是近几年出现的一种新技术，其利用大量标注数据作为来样本来训练由多层卷积搭建而成的深度卷积神经网络。能够自动从大量数据中学习到数据中的潜在特征，非常适合用针对医学图像搭建模型，提高医学模型的诊断正确率。
技术实现思路
本专利技术为了解决在乳腺超声检查诊断过程中，乳腺病灶识别率低、病灶性质区分困难、病灶测量过程繁琐等问题，提供一种自动分析乳腺检查图像，识别乳腺病灶并进行性质分析及病灶区域轮廓提取、参数自动测量的方法。本专利技术相对传统方法来说，可显著提高辅助诊断正确率及操作效率，减少误诊率及超声医生的工作量。按照本专利技术提供的技术方案，所述的乳腺超声图像识别分析方法包括以下步骤：步骤1、卷积神经网络模块接收乳腺超声图像或视频；步骤2、卷积神经网络模块使用经训练的卷积神经网络模型对乳腺超声图像或视频进行处理，识别输入乳腺超声图像或视频中含病灶的图像帧；并对含有病灶的图像帧进行分割，提取图像帧中病灶区域轮廓，自动测量病灶区域参数。具体的，所述卷积神经网络模型还可以将含病灶的图像帧标识出来并对病灶区域进行标注。具体的，所述经训练的卷积神经网络模型可以至少包括经训练的第一卷积神经网络模型、经训练的第二卷积神经网络模型；所述经训练的第一卷积神经网络模型对乳腺超声图像或视频进行识别，自动识别乳腺超声图像是否含有病灶区域，得到经识别的含病灶的图像帧；经训练的第二卷积神经网络模型对经识别的含病灶的图像帧进行分割，提取病灶区域轮廓，并测量病灶区域参数进行输出。具体的，所述第一卷积神经网络模型还可以将含病灶的图像帧标识出来并对病灶区域进行标注。具体的，在所述第一卷积神经网络模型对乳腺超声图像或视频进行识别之前，先对输入的乳腺超声图像或视频进行预处理，得到预处理后的乳腺超声图像，预处理步骤在步骤1之前或者在步骤2第一卷积神经网络模型开始识别之前。具体的，所述对病灶区域的标注包括病灶区域的良、恶性评分。具体的，所述病灶区域良性评分，包括良性肿瘤、炎性、腺病的评分。具体的，所述经训练的卷积神经网络模型由已识别为含有病灶，并提取了病灶区域轮廓、参数测量后的乳腺超声图像作为样本训练得到。具体的，所述经训练的第一卷积神经网络由已经识别的含乳腺病灶的乳腺超声图像数据作为样本训练得到；所述经训练的第二卷积神经网络模型通过已分割提取病灶区域轮廓，参数测量后的乳腺超声图像作为样本训练得到。按照本专利技术提供的技术方案，一种乳腺超声图像识别分析系统，包括：卷积神经网络模块，接收乳腺超声图像或视频，对乳腺超声图像或视频进行处理，识别输入乳腺超声图像或视频中含病灶的图像帧；并对含有病灶的图像帧进行分割，提取图像帧中病灶区域轮廓，自动测量病灶区域参数；所述卷积神经网络模块的识别、分割、测量结果输出到显示装置。具体的，所述卷积神经网络模块包括第一卷积神经网络模块、第二神经网络模块；所述第一卷积神经网络模块，用于对乳腺超声图像或视频进行病灶区域的识别，识别出含病灶的图像帧；所述第二卷积神经网络模块，用于对经识别的含病灶的图像帧进行分割，提取病灶区域轮廓，并测量病灶区域参数进行输出。具体的，系统还包括预处理模块，对输入的乳腺超声图像或视频预处理，将预处理后的乳腺超声图像输出到卷积神经网络模块。或者，所述卷积神经网络模块中包括预处理模块，对输入的乳腺超声图像或视频预处理，将预处理后的乳腺超声图像输出到第一卷积神经网络模块。按照本专利技术提供的技术方案，一种终端设备，包括：至少一个处理模块及至少一个存储介质；其中，所述存储介质存储有计算机程序，当所述计算机程序被处理模块执行时，使得所述处理模块执行上述方法的步骤。按照本专利技术提供的技术方案，一种计算机存储介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行上述方法的步骤。本专利技术的优点是：本专利技术使用多层卷积神经网络来构建识别分类及分割模型，使用了大量由手术穿刺确定病理结果的数据作为样本，并使用有多年临床经验的高年资医生标注的数据来作为训练数据来训练多层卷积神经网络，增加了模型鲁棒性和应用了有多年高年资经验的医生的经验，可显著提高诊断正确率，并减少医生的重复操作。附图说明图1是本专利技术的系统框图之一。图2是本专利技术的系统框图之二。图3是本专利技术的系统框图之三。图4是本专利技术的方法流程图之一。图5是本专利技术的方法流程图之二。图6是本专利技术的方法流程图之三。图7是本专利技术的方法流程图之四。图8是本专利技术的方法流程图之五。图9是本专利技术的方法流程图之六。图10是本专利技术的方法流程图之七。图11是含有病灶的乳腺超声图像。图12是标识后的含有病灶的乳腺超声图像。图13是含病灶的乳腺超声图像轮廓提取或标识后的图像。具体实施方式下面将结合附图和实施例对本专利技术作进一步说明。在以下实施例中，术语“第一”、“第二”是纯粹用作标记，并且不视为对它们的修饰物有数值要求。本文所述的神经网络“模块”或“单元”，意指但不限于执行特定任务的软件或硬件组件，诸如现场可编程门阵列(FPGA)或专用集成电路(ASIC)或处理器，例如CPU、GPU。模块可以有利地被配置为驻留在可寻址存储介质中并且配置为在一个或多个处理器上执行。因此，作为示例，模块可以包括组件(诸如软件组件、面向对象软件组件、类组件和任务组件)、进程、函数、属性、过程、子例行程序、程序代码段、驱动程序、固件、微码、电路、数据、数据库、数据结构、表、数组和变量。在模块中提供的功能性可以被组合成更少的组件和模块或者进一步分成附加的组件和模块。如图1所示，本专利技术的乳腺超声图像识别分析系统包括：换能器模块，换能器模块用于获取超声回波信号数据并合成乳腺超声图像或视频；预处理模块，用于对换能器模块输入的实时乳腺超声图像或视频进行预处理，得到预处理后的乳腺超声图像；当然也可以是从硬盘、磁盘、内存、网盘等存储介质或网络存储单元中获得的乳腺超声图像或视频，也可以是实时乳腺超声图像或存储介质中的乳腺超声图像的结合；第一卷积神经网络模块，用于训练第一卷积神经网络模型，并使用经训练的第一卷积神经网络模型对预处理后的乳腺超声图像进行病灶区域的标识、标注；第二神经网络模块本文档来自技高网...

【技术保护点】
1.乳腺超声图像识别分析方法，其特征是，包括以下步骤：步骤1、卷积神经网络模块接收乳腺超声图像或视频；步骤2、卷积神经网络模块使用经训练的卷积神经网络模型对乳腺超声图像或视频进行处理，识别输入乳腺超声图像或视频中含病灶的图像帧；并对含有病灶的图像帧进行分割，提取图像帧中病灶区域轮廓，自动测量病灶区域参数。

【技术特征摘要】
1.乳腺超声图像识别分析方法，其特征是，包括以下步骤：步骤1、卷积神经网络模块接收乳腺超声图像或视频；步骤2、卷积神经网络模块使用经训练的卷积神经网络模型对乳腺超声图像或视频进行处理，识别输入乳腺超声图像或视频中含病灶的图像帧；并对含有病灶的图像帧进行分割，提取图像帧中病灶区域轮廓，自动测量病灶区域参数。2.如权利要求1所述的乳腺超声图像识别分析方法，其特征是，所述经训练的卷积神经网络模型至少包括经训练的第一卷积神经网络模型、经训练的第二卷积神经网络模型；所述经训练的第一卷积神经网络模型对乳腺超声图像或视频进行识别，自动识别乳腺超声图像是否含有病灶区域，得到经识别的含病灶的图像帧；经训练的第二卷积神经网络模型对经识别的含病灶的图像帧进行分割，提取病灶区域轮廓，并测量病灶区域参数进行输出。3.如权利要求2所述的乳腺超声图像识别分析方法，其特征是，在所述第一卷积神经网络模型对乳腺超声图像或视频进行识别之前，先对输入的乳腺超声图像或视频进行预处理，得到预处理后的乳腺超声图像，预处理步骤在步骤1之前或者在步骤2第一卷积神经网络模型开始识别之前。4.如权利要求2所述的乳腺超声图像识别分析方法，其特征是，所述第一卷积神经网络模型将含病灶的图像帧标识出来并对病灶区域进行标注。5.如权利要求1所述的乳腺超声图像识别分析方法，其特征是，所述卷积神经网络模型将含病灶的图像帧标识出来并对病灶区域进行标注。6.如权利要求4或5所述的乳腺超声图像识别分析方法，其特征是，所述对病灶区域的标注包括病灶区域的良、恶性评分。7.如权利要求6所述的乳腺超声图像识别分析方法，其特征是，所述病灶区域良性评分，包括良性肿瘤、炎性、腺病的评分。8.如权利要求1所述的乳腺超声图像识别分析方法，其特征是，所述经训练的卷积神经网络模型由已识别为含有病灶，并提取了病灶区域轮廓、参数测量后的乳腺超声图像作为样本...

【专利技术属性】
技术研发人员：甘从贵，赵明昌，莫若理，
申请(专利权)人：无锡祥生医疗科技股份有限公司，
类型：发明
国别省市：江苏,32