基于人工智能的乳腺核磁共振图像病灶定位方法技术

本发明专利技术公开了一种基于人工智能的乳腺核磁共振图像病灶定位方法，涉及人工智能领域。主要包括：将乳腺部位的核磁共振图像输入至预先训练的CNN中，获得初始的病灶概率；在初始的病灶概率小于概率阈值的情况下，判定核磁共振图像中不存在病灶，否则，执行如下步骤；依次对核磁共振图像中每一闭合区域进行遮挡，并根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，分别获得进行遮挡的每一闭合区域对应的异常系数；根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，以获得核磁共振图像中的病灶。本发明专利技术实施例能够减少医生进行病灶区域的定位所需时长。少医生进行病灶区域的定位所需时长。少医生进行病灶区域的定位所需时长。

【技术实现步骤摘要】
基于人工智能的乳腺核磁共振图像病灶定位方法


[0001]本申请涉及人工智能领域，具体涉及一种基于人工智能的乳腺核磁共振图像病灶定位方法。

技术介绍

[0002]乳腺癌是乳房腺上皮细胞在多种致癌因子作用下，发生了基因突变，致使细胞增生失控。由于癌细胞的生物行为发生了改变，是常见的恶性肿瘤之一，严重危害人体的心理和生理健康，乳腺癌的早期筛查能够有助于采取治疗措施，从而避免病情恶化所带来的不良后果。
[0003]人体中乳腺癌的早期常表现为乳房肿块、乳头溢液、腋窝淋巴结肿大等症状，通过核磁共振对其进行检查，可以帮助发现其中可能存在的病灶区域。
[0004]目前，在获得对于乳腺部位的核磁共振图像后，医师需要对核磁共振图像中可能存在的病灶区域进行定位，该种方式受限于肉眼进行观察的效率，使得医生对病灶区域进行定位所需要的时间较长。

技术实现思路

[0005]针对上述技术问题，本专利技术提供了一种基于人工智能的乳腺核磁共振图像病灶定位方法，利用预先训练的卷积神经网络判断乳腺部位的核磁共振图像中是否存在病灶区域，并在判定核磁共振图像中存在病灶的情况下，根据核磁共振图像中不同的闭合区域对卷积神经网络输出结果的影响，确定出核磁共振图像中所存在的病灶区域，从而减少医生对核磁共振图像中病灶区域的定位所需时长。
[0006]本专利技术实施例提出了一种基于人工智能的乳腺核磁共振图像病灶定位方法，包括：S1、将乳腺部位的核磁共振图像输入至预先训练的CNN中，获得核磁共振图像的初始的病灶概率，所述病灶概率为核磁共振图像中存在病灶的概率；S2、在初始的病灶概率小于概率阈值的情况下，判定核磁共振图像中不存在病灶，否则，执行步骤S3至S4；S3、获得核磁共振图像中各闭合区域，分别对每一闭合区域进行遮挡，将遮挡后的核磁共振图像再次输入至预先训练的CNN中，获得遮挡后的核磁共振图像的病灶概率，并根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得每一闭合区域对应的异常系数。
[0007]S4、根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，并将相关系数大于预设阈值的像素点组成的区域作为病灶。
[0008]可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，分别对每一闭合区域进行遮挡，包括：
获取每一闭合区域以外其他区域距离该闭合区域最近的轮廓，计算轮廓上像素点的第一灰度均值。
[0009]将该闭合区域中每一像素点的灰度值替换为该第一灰度均值，将灰度值替换后的该闭合区域作为对该闭合区域的遮挡结果。
[0010]可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得每一闭合区域对应的异常系数，包括：其中，为进行遮挡的闭合区域对应的异常系数，为遮挡后的核磁共振图像的病灶概率，为核磁共振图像的初始的病灶概率。
[0011]可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，预先训练的CNN的获得过程包括：根据核磁共振图像中是否存在病灶，将包含多张乳腺部位的核磁共振图像的数据集划分为正常数据集以及异常数据集。
[0012]利用正常数据集以及异常数据集对CNN进行训练，训练完成后获得预先训练的CNN。
[0013]可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，分别获得核磁共振图像中各闭合区域，包括：对核磁共振图像进行边缘检测，并对边缘检测结果进行基于边缘的分割，提取出其中所存在各闭合区域。
[0014]可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，边缘检测过程中所采用的算子为canny算子。
[0015]可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，包括：其中，为核磁共振图像中第i个像素点的相关系数，为核磁共振图像中第i个像素点的灰度值，为核磁共振图像中第i个像素点所在的闭合区域的边缘像素点的灰度均值，为核磁共振图像中第i个像素点所在的闭合区域的异常系数。
[0016]本专利技术提供了一种基于人工智能的乳腺核磁共振图像病灶定位方法，相比于现有技术，本专利技术实施例的有益效果在于：利用预先训练的卷积神经网络判断乳腺部位的核磁共振图像中是否存在病灶区域，并在判定核磁共振图像中存在病灶的情况下，根据核磁共振图像中不同的闭合区域对卷积神经网络输出结果的影响，确定出核磁共振图像中所存在的病灶区域，从而减少医生对核磁共振图像中病灶区域的定位所需时长。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本专利技术实施例提供的一种基于人工智能的乳腺核磁共振图像病灶定位方法的流程示意图。
具体实施方式
[0019]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0021]术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0022]本专利技术实施例提供了一种基于人工智能的乳腺核磁共振图像病灶定位方法，如图1所示，包括：步骤S1、将乳腺部位的核磁共振图像输入至预先训练的CNN中，获得核磁共振图像的初始的病灶概率，所述病灶概率为核磁共振图像中存在病灶的概率。
[0023]CNN（Convolutional Neural Network，卷积神经网络）是一种前馈神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元，卷积神经网络对于大型图像处理有着出色表现。本专利技术实施例中借助预先训练完成的CNN，可以实现对核磁共振图像中存在病灶的概率的输出。
[0024]步骤S2、在初始的病灶概率小于概率阈值的情况下，判定核磁共振图像中不存在病灶，否则，执行步骤S3至S4。
[0025]步骤S3、获得核磁共振图像中各闭合区域，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的乳腺核磁共振图像病灶定位方法，其特征在于，包括：S1、将乳腺部位的核磁共振图像输入至预先训练的CNN中，获得核磁共振图像的初始的病灶概率，所述病灶概率为核磁共振图像中存在病灶的概率；S2、在初始的病灶概率小于概率阈值的情况下，判定核磁共振图像中不存在病灶，否则，执行步骤S3至S4；S3、获得核磁共振图像中各闭合区域，分别对每一闭合区域进行遮挡，将遮挡后的核磁共振图像再次输入至预先训练的CNN中，获得遮挡后的核磁共振图像的病灶概率，并根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得每一闭合区域对应的异常系数；S4、根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，并将相关系数大于预设阈值的像素点组成的区域作为病灶。2.根据权利要求1所述的基于人工智能的乳腺核磁共振图像病灶定位方法，其特征在于，分别对每一闭合区域进行遮挡，包括：获取每一闭合区域以外其他区域距离该闭合区域最近的轮廓，计算轮廓上像素点的第一灰度均值；将该闭合区域中每一像素点的灰度值替换为该第一灰度均值，将灰度值替换后的该闭合区域作为对该闭合区域的遮挡结果。3.根据权利要求1所述的基于人工智能的乳腺核磁共振图像病灶定位方法，其特征在于，根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得每一闭合...

【专利技术属性】
技术研发人员：陈博，赵广明，祁建军，
申请(专利权)人：山东奥洛瑞医疗科技有限公司，
类型：发明
国别省市：