【技术实现步骤摘要】
融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质
本专利技术涉及超声医疗
,属于对超声图像的识别和处理领域,具体涉及一种融合深度卷积网络和影像组学特征的乳腺癌超声图像的识别和分型方法及其对应的系统。
技术介绍
随着医疗设备的不断发展,超声成像仪器因为其无创性、实时性、操作方便、价格便宜等诸多优势,使其成为临床上应用最为广泛的医疗设备工具之一。超声成像常用的功能模式包括二维黑白(B)模式、频谱多普勒模式(PW/CW)以及彩色血流模式(CF/PDI)。B模式依赖于超声回波信号的幅度进行成像,获取的是组织二维结构和形态信息,回波信号强度越大则对应的图像像素灰度值越大,反之则灰度值越小;PW/CW以及CF/PDI模式的基本原理都是多普勒效应,均依赖于超声回波信号的相位进行成像,获取的是速度、方向、能量等血流信息。乳腺癌对全球女性健康的威胁日益增大,超声技术是公认的适合做乳腺癌筛查的技术,在中国的乳腺癌筛查指南中,超声检查被列为检查乳腺癌的主要手段之一。然而,超声成像因为其信噪比和分辨率相对比 ...
【技术保护点】
1.一种融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法,其特征在于,所述方法包括以下步骤:/nS210:获取超声图像,所述超声图像包括乳腺部位;/nS220:对所述超声图像进行处理,获得所述超声图像中的目标区域,所述目标区域中包括有乳腺病灶区域;/nS230:对识别出目标区域的超声图像进行特征提取,得到第一特征,所述第一特征为深度特征;对识别出目标区域的超声图像进行特征提取处理,得到第二特征,所述第二特征基于至少5种不同影像组学图像处理算子获得的多个纹理特征及边缘特征得到;/nS240:融合所述第一特征和第二特征,得到第一融合特征;/nS250:对所述第一融合特征进行 ...
【技术特征摘要】
1.一种融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法,其特征在于,所述方法包括以下步骤:
S210:获取超声图像,所述超声图像包括乳腺部位;
S220:对所述超声图像进行处理,获得所述超声图像中的目标区域,所述目标区域中包括有乳腺病灶区域;
S230:对识别出目标区域的超声图像进行特征提取,得到第一特征,所述第一特征为深度特征;对识别出目标区域的超声图像进行特征提取处理,得到第二特征,所述第二特征基于至少5种不同影像组学图像处理算子获得的多个纹理特征及边缘特征得到;
S240:融合所述第一特征和第二特征,得到第一融合特征;
S250:对所述第一融合特征进行特征筛选处理,得到第二融合特征;
S260:基于所述第二融合特征,获得乳腺癌超声图分型结果。
2.根据权利要求1所述的方法,其特征在于,所述S230中,所述多个纹理特征及边缘特征包括:通过SIFT算子提取第一纹理特征,通过LBP算子提取第二纹理特征,通过GLSZM算子提取第三纹理特征,通过LOG算子提取第一边缘特征,通过Gabor算子提取第二边缘特征。
3.根据权利要求1所述的方法,其特征在于,所述S240中,通过聚类方式,得到第一融合特征;所述聚类方式为:
其中V(j,k)为公式(5)的输出的数据,ak为softmax输出的权重,xi(j)和ck(j)分别为第i个局部描述子和第k个聚类中心的第j个特征值,其中i,j,k分别为正整数。
4.根据权利要求1所述的方法,其特征在于,所述S250中,进一步包括:依据特征重要性判定,对所述第一融合特征进行筛选,所述特征重要性判定基于LightGBM网络实现。
5.根据权利要求1所述的方法,其特征在于,所述S220中,获得所述超声图像中的目标区域通过以下方式进行:获取样本超声图像和标注信息,形成训练集,所述标注信息用于标注出所述样本超声图像中的乳腺病灶区域;
基于所述训练集训练深度学习网络;
基于训练后的所述深度学习网络对新输入超声图像识别目标...
【专利技术属性】
技术研发人员:田家玮,张蕾,王影,俞卫东,张云鹏,时嘉欣,
申请(专利权)人:哈尔滨医科大学,
类型:发明
国别省市:黑龙江;23
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。