一种基于钼靶影像的病变区域量化方法技术

本发明专利技术涉及一种基于乳腺钼靶影像的病变区域量化方法，其中，包括：通过efficientdet

【技术实现步骤摘要】
一种基于钼靶影像的病变区域量化方法


[0001]本专利技术专利涉及医疗辅助诊断领域，尤其涉及乳腺疾病的病变区量化方法。

技术介绍

[0002]随着社会经济的发展，人们生活方式已经发生很大改变，性成熟期提前、绝经期延后、不生育、晚生育、不哺乳、焦虑、不良情绪、肥胖、高热量及高脂肪饮食的摄入、不健康的生活方式等生活环境因素，使乳腺疾病发病率逐年增高，其中以乳腺癌最为突出，乳腺癌是女性多发、常见恶性肿瘤疾病之一，对女性身心健康及生活质量造成了严重威胁。乳腺癌在全球癌症发病率中排名第一，死亡率排名第五。近年来中国乳腺癌发病率和死亡率呈上升趋势：2013年与1990年相比，乳腺癌是增长最快的癌症之一，女性发病例数从94777例到260156例，增长了1.74倍，同时随着分级诊疗的建立，乳腺癌的防治在中国已经越来越受到重视。
[0003]乳腺癌是早期筛查效果最好的癌症之一，使用乳腺疾病筛查技术能够有效预防和尽早治疗乳腺疾病。钼靶是国际公认的最重要的乳腺疾病筛查手段，钼靶的原理是X射线照射乳房组织，投射后产生影像结果，X射线在帮助医生发现身体结构异常。然而临床乳腺检查多依靠临床医生经验，如图1所示，是由有经验的影像医生标注的结果，图像中包含多个癌变和钙化的位置，这对于评估乳腺疾病的类型是至关重要的，但是也可以看出图像还是存在漏标的位置，所以自动化的辅助诊断就显得更加重要。自动化的辅助诊断手段作为一种有效的辅助方法，目前已经在许多领域都得到了验证，未来会在很大程度上帮助基层医院建立更好的诊断方法，来弥补基层医生的经验不足的问题。
[0004]医学影像的自动化分析一直都是一个亟需解决的问题，随着机器学习算法的发展，在很多的影像分析中均达到了较高的水准，其中包括脑肿瘤分割、肺结节检测、血管分割和乳腺癌检测等领域。其中深度学习起到了很大的推动作用，深度学习作为一种特征学习和表征的技术，能够准确的学习图像中各种层级的信息，从而准确找出所需要的信息。

技术实现思路

[0005]本专利技术的目的在于提供一种基于钼靶影像的病变区域量化方法，用于解决现有技术对于医生诊断水平要求较高的问题。
[0006]本专利技术一种基于钼靶影像的病变区域量化方法，其中，包括：通过efficientdet
‑
d8网络和YOLOV5网络进行乳腺病变区域检测网络训练，得到检测模型；通过Unet网络结构进行乳腺病变区域分割训练，根据乳腺钼靶影像的尺寸分成两个Unet网络结构训练，大的病变区域进行分割网络训练，小的病变区域训练分割模型；得到检测模型和分割模型之后，分别进行验证；将采集的基于乳腺钼靶影像，通过检测模型和分割模型计算出病变区域所在位置，通过分割结果计算病变区域大小和密度分布，通过检测结果得到良恶性置信分数，通过对病变区域的定位和量化，提供诊断帮助信息。
[0007]根据本专利技术所述的方法的一实施例，其中，通过efficientdet
‑
d8网络和YOLOV5网
络进行乳腺病变区域检测网络训练，得到检测模型包括：步骤1、准备检测数据，做成检测网络训练需要的数据集；步骤2、将缩放和切片的图像分别进行数据增广；步骤3、将增广的数据分别输入到检测网络中进行训练，检测网络包含efficientdet
‑
d8网络和YOLOV5网络训练，得到检测模型。
[0008]根据本专利技术所述的方法的一实施例，其中，步骤1具体包括：将乳腺钼靶筛查机器的检测图像进行处理，包括：将高像素的图像切片成1280*1280像素，重叠系数为0.2，和/或使用双线性插值方法将图像缩放到1280*1280像素。
[0009]根据本专利技术所述的方法的一实施例，其中，数据增广包括：裁剪、旋转、平移、缩放、色彩空间调整、马赛克增广、自对抗训练增广、多图组合、混合增强MixUp、随机遮挡Cutout和图像遮挡至少一种。
[0010]根据本专利技术所述的方法的一实施例，其中，步骤3将增广后的数据分别输入到两个efficientdet
‑
d8网络和两个YOLOV5网络进行训练，其中YOLOV5的参数为输入图像大小＝1280，训练集中的所有样本训练次数epoch＝100、一次迭代使用的样本数batchsize＝16、良恶的类别＝1、学习率＝0.0001、子进程数num_workers＝4，得到两个YOLOV5网络模型；efficientdet
‑
d8的参数为输入图像大小＝1280、训练集中的所有样本训练次数epoch＝80，一次迭代使用的样本数Batchsize＝8、良恶的类别＝1、学习率＝0.0001、子进程数num_workers＝2，并再得到另外两个efficientdet
‑
d8网络模型。
[0011]根据本专利技术所述的方法的一实施例，其中，通过Unet网络结构进行乳腺病变区域分割训练包括：步骤1、从原始乳腺钼靶影像图中抠出带病灶的图像；步骤2、按照获得图像的高和宽的大小分成两类数据集，尺寸大的图归入训练数据集1和尺寸小的图归入训练数据集2，数据集1的图像缩放为第一尺寸，数据集2中的图像裁剪成方形，然后缩放成第二尺寸，分别进行数据集1以及数据集2的数据增广；步骤3：将预处理好的数据集1和2分别输入到Unet网络中进行训练，得到数据集1和2分别对应的分割模型。
[0012]根据本专利技术所述的方法的一实施例，其中，数据增广包括：裁剪、旋转、平移、缩放、色彩空间调整、马赛克增广、自对抗训练增广、多图组合、混合增强MixUp、随机遮挡Cutout和图像遮挡至少一种。
[0013]根据本专利技术所述的方法的一实施例，其中，步骤1围绕图像分割的区域，随机扩大1.1
‑
1.5倍，然后进行随机方向的平移，并保证病灶区域在图像里面，获得训练用的数据集合；步骤2中，对数据集合的图像的高和宽两边均大于200像素的图加入数据集1，剩下其他的图像加入数据集2，数据集1中使用双线性插值的方法缩放到256*256，数据集2中的图像裁剪成方形,然后缩放到64*64，分别对数据集1和数据集2进行数据增广；步骤3、将数据集1和2分别输入到Unet网络中，网络的编码部分使用efficient
‑
b4，训练集中的所有样本训练次数为epoch＝32、一次迭代使用的样本数batchsize＝16、学习率＝0.0001，两个Unet网络输入的大小分别为256*256和64*64，分别通过训练得到分割模型
‑
256和分割模型
‑
64。
[0014]根据本专利技术所述的方法的一实施例，其中，得到检测模型和分割模型之后，分别进行验证，其验证流程和检测网络训练以及分割网络训练过程一致。
[0015]根据本专利技术所述的方法的一实施例，其中，将得到的检测病变区域方框输入到分割模型中进行分割，然后得到准确的病变区域边界，通过分割本量化病变区域的尺寸和形状。
[0016]本专利技术可以解决乳腺疾病阅片时候的人为经验不足的问题，帮助医生定位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于钼靶影像的病变区域量化方法，其特征在于，包括：通过efficientdet
‑
d8网络和YOLOV5网络进行乳腺病变区域检测网络训练，得到检测模型；通过Unet网络结构进行乳腺病变区域分割训练，根据乳腺钼靶影像的尺寸分成两个Unet网络结构训练，大的病变区域进行分割网络训练，小的病变区域训练分割模型；得到检测模型和分割模型之后，分别进行验证；将采集的基于乳腺钼靶影像，通过检测模型和分割模型计算出病变区域所在位置，通过分割结果计算病变区域大小和密度分布，通过检测结果得到良恶性置信分数，通过对病变区域的定位和量化，提供诊断帮助信息。2.如权利要求1所述的方法，其特征在于，通过efficientdet
‑
d8网络和YOLOV5网络进行乳腺病变区域检测网络训练，得到检测模型包括：步骤1、准备检测数据，做成检测网络训练需要的数据集；步骤2、将缩放和切片的图像分别进行数据增广；步骤3、将增广的数据分别输入到检测网络中进行训练，检测网络包含efficientdet
‑
d8网络和YOLOV5网络训练，得到检测模型。3.如权利要求2所述的方法，其特征在于，步骤1具体包括：将乳腺钼靶筛查机器的检测图像进行处理，包括：将高像素的图像切片成1280*1280像素，重叠系数为0.2，和/或使用双线性插值方法将图像缩放到1280*1280像素。4.如权利要求2所述的方法，其特征在于，数据增广包括：裁剪、旋转、平移、缩放、色彩空间调整、马赛克增广、自对抗训练增广、多图组合、混合增强MixUp、随机遮挡Cutout和图像遮挡至少一种。5.如权利要求2所述的方法，其特征在于，步骤3将增广后的数据分别输入到两个efficientdet
‑
d8网络和两个YOLOV5网络进行训练，其中YOLOV5的参数为输入图像大小＝1280，训练集中的所有样本训练次数epoch＝100、一次迭代使用的样本数batchsize＝16、良恶的类别＝1、学习率＝0.0001、子进程数num_workers＝4，得到两个YOLOV5网络模型；efficientdet
‑
d8的参数为输入图像大小＝1280、训练集中的所有样本训练次数epoch＝80，一次迭代使用的样本数Batchsize＝8、良恶的类别＝1、学习率...

【专利技术属性】
技术研发人员：童云飞，张超仁，邓天然，
申请(专利权)人：上海仰和华健人工智能科技有限公司，
类型：发明
国别省市：