乳腺超声检查图像分级方法、装置、设备和存储介质制造方法及图纸

本发明专利技术涉及图像识别技术领域，公开了一种乳腺超声检查图像分级方法、装置、设备和存储介质，所述方法包括：获取超声检查图像；将超声检查图像输入实性占位分类模型，得到第一分类结果；若第一分类结果表明不存在实性占位，则将超声检查图像输入BI

【技术实现步骤摘要】
乳腺超声检查图像分级方法、装置、设备和存储介质


[0001]本专利技术涉及图像识别
，具体是指一种乳腺超声检查图像分级方法、装置、设备和存储介质。

技术介绍

[0002]乳腺癌是多发于女性乳腺部位一种恶性肿瘤，随着环境的改变和人们生活习惯的变化，乳腺癌的发病率自1990年后呈现全球性上升趋势。美国等西方发达国家每十名女性至少有一人罹患乳腺癌，我国近年来乳腺癌发病率的增长速度已高出乳腺癌高发国家一到两个百分点，乳腺癌的发病率高居女性恶性肿瘤中的第一位。虽然乳腺不是维持人体生命活动的重要器官，原位乳腺癌并不致命，但是乳腺癌细胞丧失了正常细胞的活性，结构松散，极易扩散，游离的癌细胞以血液或淋巴液为载体可扩散至全身，威胁人类生命。乳腺癌是当今社会重大的公共卫生问题，乳腺筛查可以帮助提升早期病例的比例，及早开展对于恶性乳腺肿瘤的综合治疗。因此，及时的筛查和治疗对于预防乳腺癌的发生至关重要。
[0003]对于乳腺癌的诊断，现常采用三种手段：体格检查、影像学检查、病理学检查。其中，病理学检查被认为是乳腺癌检查的金标准。病理学检查通常有组织活检、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.乳腺超声检查图像分级方法，其特征在于，包括：获取超声检查图像；将所述超声检查图像输入实性占位分类模型，得到第一分类结果；若所述第一分类结果表明不存在实性占位，则将所述超声检查图像输入BI
‑
RADS一二级两分类模型，得到第二分类结果；若所述第一分类结果表明存在实性占位，则将所述超声检查图像输入良恶性分类模型，得到第三分类结果；若所述第三分类结果表明为恶性，则将所述超声检查图像输入BI
‑
RADS多分类模型，得到第四分类结果。2.根据权利要求1所述的乳腺超声检查图像分级方法，其特征在于：提取所述实性占位分类模型输出的第一类别激活特征图，并将提取出的所述第一类别激活特征图输入所述良恶性分类模型和所述BI
‑
RADS一二级两分类模型；提取所述良恶性分类模型输出的第二类别激活特征图，并将提取出的所述第二类别激活特征图输入所述BI
‑
RADS多分类模型。3.根据权利要求2所述的乳腺超声检查图像分级方法，其特征在于，所述实性占位分类模型、所述良恶性分类模型、所述BI
‑
RADS一二级两分类模型和所述BI
‑
RADS多分类模型的训练方法包括：获取未训练的神经网络模型集合，所述神经网络模型集合包含第一神经网络模型、第二神经网络模型、第三神经网络模型和第四神经网络模型；获取训练集，并对所述训练集中样本进行标注，所述标注包括实性占位分类标签、良恶性分类标签、BI
‑
RADS一二级分类标签和BI
‑
RADS多级分类标签；将所述训练集输入所述第一神经网络模型中，得到所述第一神经网络模型的输出的第一类别激活特征图和第一分类结果；将所述训练集输入所述第二神经网络模型中，得到所述第二神经网络模型的输出的第二类别激活特征图和第二分类结果；将所述训练集输入所述第三神经网络模型中，得到所述第三神经网络模型的输出的第三分类结果；将所述训练集输入所述第四神经网络模型中，得到所述第四神经网络模型的输出的第四分类结果；基于所述第一分类结果和所述实性占位分类标签构建第一交叉熵损失函数；基于所述第二分类结果、所述良恶性分类标签和所述第一类别激活特征图构建第二交叉熵损失函数；基于所述第三分类结果、所述BI
‑
RADS一二级分类标签和所述第一类别激活特征图构建第三交叉熵损失函数；基于所述第四分类结果、所述BI
‑
RADS多级分类标签和所述第二类别激活特征图构建第四交叉熵损失函数；基于所述第一交叉熵损失函数对所述第一神经网络模型进行迭代训练，获得所述实性占位分类模型；基于所述第二交叉熵损失函数对所述第二神经网络模型进行迭代训练，获得所述良恶
性分类模型；基于所述第三交叉熵损失函数对所述第三神经网络模型进行迭代训练，获得所述BI
‑
RADS一二级两分类模型；基于所述第四交叉熵损失函数对所述第四神经网络模型进行迭代训练，获得所述BI
‑
RADS多分类模型。4.根据权利要求3所述的乳腺超声检查图像分级方法，其特征在于，所述第一交叉熵损失函数为：其中，表示第一交叉熵损失函数，表示训练集中第i个样本的实性占位分类标签，表示训练集中第i个样本在第一神...

【专利技术属性】
技术研发人员：章毅，王晗，何涛，王建勇，周尧，皮勇，张蕾，郭际香，
申请(专利权)人：成都爱迦飞诗特科技有限公司，
类型：发明
国别省市：