基于人工智能的乳腺影像识别系统及方法技术方案

本发明专利技术公开一种基于人工智能的乳腺影像识别系统及方法，应用在信息处理设备中，该方法包括步骤：从影像数据库中获取乳房CT图像；采用聚类算法对所述乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集；将已知的乳房CT图像的数据集设置为训练集和验证集，将未知的乳房CT图像的数据集设置为测试集；建立卷积神经网络模型，采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；将测试集输入训练后的卷积神经网络模型中，得到CT图像乳房实质区域。实施本发明专利技术，实现了对未知患者的乳房CT图像进行乳房实质区域提取功能，有助于下一阶段的乳腺癌提取、分类。

Breast image recognition system and method based on Artificial Intelligence

【技术实现步骤摘要】
基于人工智能的乳腺影像识别系统及方法
本专利技术涉及图像处理
，尤其涉及一种基于人工智能的乳腺影像识别系统及方法。
技术介绍
据世界卫生组织统计，全世界每年有120万妇女患乳腺癌，50万妇女死于乳腺癌，其发病率以每年2％～8％的速度递增。目前每年大约有1亿女性进行乳腺筛查。研究表明，如果能早期及时检查，癌症是可以治愈的，且治愈率高达92％以上。可见，乳腺肿瘤的早期检测对治愈病人有着至关重要的作用。基于超声显像的检测技术是医学中发展最为迅速、应用最为广泛的肿瘤疾病检测技术之一。在图像处理过程中，人们往往仅对图像中的某些部分感兴趣。这些部分常称为目标，他们一般对应图像中特定的具有独特性质的区域。为了辨别和分析目标，需要将这些区域分离提取出来，在此基础上进一步利用。图像分割就是将图像分成各具特色的区域并提取出感兴趣目标的技术和过程。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不本文档来自技高网...

【技术保护点】
1.一种基于人工智能的乳腺影像识别系统，运行于信息处理设备中，其特征在于，所述信息处理设备与影像数据服务器通信连接，所述影像数据服务器中存储有影像数据库和肿瘤数据库，所述基于人工智能的乳腺影像识别系统包括多条计算机程序指令，所述信息处理设备包括适于实现计算机程序指令的微处理器以及适于存储计算机程序指令的存储器，所述计算机程序指令由微处理器加载并执行如下步骤：/n从影像数据库中获取乳房CT图像，所述乳房CT图像包括已知的乳房CT图像和未知的乳房CT图像；/n采用聚类算法对所述乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集；/n将已知的乳房CT图像的数据集设置为训练集和...

【技术特征摘要】
1.一种基于人工智能的乳腺影像识别系统，运行于信息处理设备中，其特征在于，所述信息处理设备与影像数据服务器通信连接，所述影像数据服务器中存储有影像数据库和肿瘤数据库，所述基于人工智能的乳腺影像识别系统包括多条计算机程序指令，所述信息处理设备包括适于实现计算机程序指令的微处理器以及适于存储计算机程序指令的存储器，所述计算机程序指令由微处理器加载并执行如下步骤：
从影像数据库中获取乳房CT图像，所述乳房CT图像包括已知的乳房CT图像和未知的乳房CT图像；
采用聚类算法对所述乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集；
将已知的乳房CT图像的数据集设置为训练集和验证集，将未知的乳房CT图像的数据集设置为测试集；
建立卷积神经网络模型，采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
将测试集输入训练后的卷积神经网络模型中，得到CT图像乳房实质区域；
从CT图像乳房实质区域提取乳房特征，所述乳房特征包括乳房的形状特征、图像纹理特征和形态学特征；
根据乳房特征从肿瘤数据库中匹配相似度大于预设值的肿瘤图像，输出该肿瘤图像。


2.如权利要求1所述的基于人工智能的乳腺影像识别系统，其特征在于，所述采用聚类算法对乳房CT图像进行预处理，得到CT图像的乳房实质区域和非乳房实质区域的数据集的步骤包括：
将乳房CT图像进行标准化处理，对标准化后的乳房CT图像进行分割，分割为尺寸为A的图像小块；
采用Kmeans算法分别对尺寸为A的图像小块的CT值平均值和CT值最小值进行聚类，将其聚类为低密度组织和高密度组织两类；
将对图像小块的CT值平均值的聚类结果和图像小块的CT值最小值的聚类结果进行十字检验，去除CT图像的背景区域；
提取图像小块的CT值平均值的聚类结果中的乳房实质区域和图像小块的CT值最小值的聚类结果的乳房实质区域的交集；
对乳房实质区域的交集做最大连通体操作，得到CT图像的乳房实质区域和非乳房实质区域的数据集。


3.如权利要求1所述的基于人工智能的乳腺影像识别系统，其特征在于，所述采用训练集和验证集中的数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型的步骤具体包括：
将训练集和验证集中的尺寸为A的图像小块进行扩展，将其扩展为尺寸为B的图像小块；
将扩展后的图像小块输入卷积神经网络模型，训练卷积神经网络模型的各层的权重和偏差；
将验证集输入卷积神经网络模型进行分类，通过运行时间损耗和验证集的分类准确率确定最优化的训练参数，得到训练后的卷积神经网络模型。


4.如权利要求3所述的基于人工智能的乳腺影像识别系统，其特征在于，所述卷积神经网络模型结构为：第一层为图像小块输入层，第二层为卷积层，第三层为最大值池化层，第四层为全连接层；所述卷积层包括卷积层ReLU层和Norm层；所述全连接层包括全连接层ReLU层、随机遗忘层、全连接层分类器和Softmax函数层。


5.如权利要求3所述的基于人工智能的乳腺影像识别系统，其特征在于，所述的训练参数包括：学习速率、卷积核尺寸、卷积核数目、Norm层标准化通道数目、全连接第一层输出...

【专利技术属性】
技术研发人员：钱唯，李宏，李晨，滕月阳，张小光，
申请(专利权)人：深圳市安测生命科技有限公司，
类型：发明
国别省市：广东;44