一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置制造方法及图纸

本申请公开了一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置，方法包括：获取病人的腋窝淋巴结部位的B型超声图像和剪切波弹性超声图像；将B型超声图像和剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到病人的乳腺癌腋窝淋巴结转移状态检测结果。本申请解决了现有技术通过机器学习方法进行乳腺癌腋窝淋巴结转移状态的检测，由于数据样本较少，导致机器学习模型的预测性能不佳的技术问题。

【技术实现步骤摘要】
一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置
本申请涉及图像处理
，尤其涉及一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置。
技术介绍
乳腺癌的发病率在女性癌症中位居首位，占所有新诊断癌症的29％。腋窝淋巴结的状态是乳腺癌最重要的预后决定因素之一，及时、准确地检测腋窝淋巴结转移状态对指导乳腺癌的临床治疗至关重要。淋巴结活检是临床判定淋巴结转移状态的金标准。然而，淋巴结活检是一种有创的手术方式，会导致诸多术后并发症，例如淋巴水肿、血清瘤和感染性神经病变等。并且，对于乳腺癌早期患者而言，淋巴结活检会让患者承担不必要的术后风险与医疗费用，导致过度治疗。现有的腋窝淋巴结无创术前影像学评价方法主要有乳腺钼靶摄影、CT(ComputerTomography，计算机断层成像)、MRI(MagneticResonanceImaging，核磁共振成像)、PET/CT(PositronEmissionTomography，正电子发射断层成像)和超声检查。乳腺钼靶摄影不能完全覆盖腋窝区域，诊断价值有限。PET或PET/CT对于鉴别转移性淋巴结的敏感性与特异性都不高。MRI的优点是取图时对操作者的依赖性小，并且可以比较双侧腋窝淋巴结，但是MRI检测范围有限，不能检测到所有腋窝淋巴结。腋窝超声检查是一种无创、无辐射且广泛应用于乳腺病变患者腋窝淋巴结评估的方法。然而，超声图像的判读依赖于放射科医生的主观评价，这导致了不同观察者之间存在差异。而通过机器学习方法进行乳腺癌腋窝淋巴结转移状态的检测，由于数据样本较少，导致机器学习模型的预测性能不佳。
技术实现思路
本申请提供了一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置，用于解决现有技术通过机器学习方法进行乳腺癌腋窝淋巴结转移状态的检测，由于数据样本较少，导致机器学习模型的预测性能不佳的技术问题。有鉴于此，本申请第一方面提供了一种乳腺癌腋窝淋巴结转移状态的检测方法，包括：获取病人的腋窝淋巴结部位的B型超声图像和剪切波弹性超声图像；将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果。可选的，所述深度学习模型包括：影像组学特征模块、B型超声图像深度学习图像特征模块、剪切波弹性超声深度学习图像特征模块、特征融合模块和Softmax层；所述将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果，包括：将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中，通过所述影像组学特征模块和所述B型超声图像深度学习图像特征模块分别对所述B型超声图像进行特征提取，得到第一特征向量和第二特征向量，通过所述剪切波弹性超声深度学习图像特征模块对所述剪切波弹性超声图像进行特征提取，得到第三特征向量；通过所述特征融合模块对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征拼接，得到融合特征；通过所述Softmax层对所述融合特征进行分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果。可选的，所述影像组学特征模块为由输入层、隐藏层和输出层构成的多层感知器网络。可选的，所述深度学习模型还包括目标特征提取模块；将所述B型超声图像输入到深度学习模型中，通过所述影像组学特征模块对所述B型超声图像进行特征提取，得到第一特征向量，具体包括：将所述B型超声图像输入到深度学习模型中，通过所述目标特征提取模块对所述B型超声图像进行特征提取，得到目标特征，所述目标特征包括形态特征、直方图特征和灰度纹理特征；通过所述所述影像组学特征模块对所述目标特征进行特征提取，得到第一特征向量。可选的，所述深度学习模型的配置过程为：获取B型超声训练图像和剪切波弹性超声训练图像；将所述B型超声训练图像和所述剪切波弹性超声训练图像输入到深度学习网络中进行训练，得到所述深度学习模型。本申请第二方面提供了一种乳腺癌腋窝淋巴结转移状态的检测装置，包括：获取单元，用于获取病人的腋窝淋巴结部位的B型超声图像和剪切波弹性超声图像；输入单元，用于将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果。可选的，所述深度学习模型包括：影像组学特征模块、B型超声图像深度学习图像特征模块、剪切波弹性超声深度学习图像特征模块、特征融合模块和Softmax层；所述输入单元具体用于：将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中，通过所述影像组学特征模块和所述B型超声图像深度学习图像特征模块分别对所述B型超声图像进行特征提取，得到第一特征向量和第二特征向量，通过所述剪切波弹性超声深度学习图像特征模块对所述剪切波弹性超声图像进行特征提取，得到第三特征向量；通过所述特征融合模块对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征拼接，得到融合特征；通过所述Softmax层对所述融合特征进行分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果。可选的，所述深度学习模型的配置过程为：获取B型超声训练图像和剪切波弹性超声训练图像；将所述B型超声训练图像和所述剪切波弹性超声训练图像输入到深度学习网络中进行训练，得到所述深度学习模型。本申请第三方面提供了一种乳腺癌腋窝淋巴结转移状态的检测设备，所述设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的乳腺癌腋窝淋巴结转移状态的检测方法。本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面任一种所述的乳腺癌腋窝淋巴结转移状态的检测方法。从以上技术方案可以看出，本申请具有以下优点：本申请提供了一种乳腺癌腋窝淋巴结转移状态的检测方法，包括：获取病人的腋窝淋巴结部位的B型超声图像和剪切波弹性超声图像；将B型超声图像和剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到病人的乳腺癌腋窝淋巴结转移状态检测结果。本申请中，在获取到病人的腋窝淋巴结部位的B型超声图像和剪切波弹性超声图像后，通过深度学习模型对其进行特征提取、特征融合和分类预测，得到病人的乳腺癌腋窝淋巴结转移状态检测结果，充分挖掘不同模态超声影的多维度、高通量的病灶特征，弥补了传统影像组学所忽略的病灶区边缘特征信息，并且使用多源异构数据的组合，可以解决在小样本的情况下，特征信息量不足而导致机器学习模型预测性能不佳的问题，从而解决了现有技术通过机器学习方法进行乳腺癌腋窝淋巴结转移状态的检测，由于数据样本较少，导致机器学习模型的预测性能不佳的技术问题本文档来自技高网...

【技术保护点】
1.一种乳腺癌腋窝淋巴结转移状态的检测方法，其特征在于，包括：/n获取病人的腋窝淋巴结部位的B型超声图像和剪切波弹性超声图像；/n将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果。/n

【技术特征摘要】
1.一种乳腺癌腋窝淋巴结转移状态的检测方法，其特征在于，包括：
获取病人的腋窝淋巴结部位的B型超声图像和剪切波弹性超声图像；
将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果。


2.根据权利要求1所述的乳腺癌腋窝淋巴结转移状态的检测方法，其特征在于，所述深度学习模型包括：影像组学特征模块、B型超声图像深度学习图像特征模块、剪切波弹性超声深度学习图像特征模块、特征融合模块和Softmax层；
所述将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果，包括：
将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中，通过所述影像组学特征模块和所述B型超声图像深度学习图像特征模块分别对所述B型超声图像进行特征提取，得到第一特征向量和第二特征向量，通过所述剪切波弹性超声深度学习图像特征模块对所述剪切波弹性超声图像进行特征提取，得到第三特征向量；
通过所述特征融合模块对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征拼接，得到融合特征；
通过所述Softmax层对所述融合特征进行分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果。


3.根据权利要求2所述的乳腺癌腋窝淋巴结转移状态的检测方法，其特征在于，所述影像组学特征模块为由输入层、隐藏层和输出层构成的多层感知器网络。


4.根据权利要求2所述的乳腺癌腋窝淋巴结转移状态的检测方法，其特征在于，所述深度学习模型还包括目标特征提取模块；
将所述B型超声图像输入到深度学习模型中，通过所述影像组学特征模块对所述B型超声图像进行特征提取，得到第一特征向量，具体包括：
将所述B型超声图像输入到深度学习模型中，通过所述目标特征提取模块对所述B型超声图像进行特征提取，得到目标特征，所述目标特征包括形态特征、直方图特征和灰度纹理特征；
通过所述所述影像组学特征模块对所述目标特征进行特征提取，得到第一特征向量。


5.根据权利要求1所述的乳腺癌腋窝淋巴结转移状态的检测方法，其特征在于，所述深度学习模型的配置过程为：
获取B型超声训...

【专利技术属性】
技术研发人员：蔡念，黄柯敏，王慧恒，姜扬阳，林晓晴，周静雯，黎剑，王晗，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44