一种乳腺癌患者腋窝淋巴结转移状态预测方法技术

本发明专利技术公开了一种乳腺癌患者腋窝淋巴结转移状态预测方法，包括以下步骤：S1、预处理：获取多帧乳腺超声图像，并进行预处理；S2、特征提取：对多帧所述乳腺超声图像进行特征提取得到不同帧图像对应的特征向量；S3、特征融合：将多帧所述乳腺超声图像的所述特征向量进行拼接融合，得到融合特征；S4、分类预测：通过分类模型和Softmax层对所述融合特征进行分类预测，获取乳腺癌腋窝淋巴结节转移状态的预测结果。本发明专利技术提供一种乳腺癌患者腋窝淋巴结转移状态预测方法，以乳腺超声视频中的图像为检查信息，实现高精度的乳腺超声视频序列图像的实时分割，并利用关键帧对乳腺癌患者腋窝淋巴结是否转移进行预测评估。是否转移进行预测评估。是否转移进行预测评估。

【技术实现步骤摘要】
一种乳腺癌患者腋窝淋巴结转移状态预测方法


[0001]本专利技术涉及视频图像处理
，具体涉及一种乳腺癌患者腋窝淋巴结转移状态预测方法。

技术介绍

[0002]乳腺癌发病率逐年上升，在女性人群中居于恶性肿瘤首位。早期诊断、早期治疗是改善生存质量、降低死亡率的关键。腋窝淋巴结状态是判断乳腺癌分期的重要指标，有助于临床医师制定治疗方案，并且是评估患者预后的主要依据。
[0003]前哨淋巴结活检阳性或患者无法耐受穿刺术时，需行腋窝淋巴结清扫术，以明确是否出现转移，但相关并发症会给患者带来极大痛苦。目前临床上多通过分析乳腺癌病灶及腋窝淋巴结的二维声像图等预测有无转移，易漏诊早期无明显影像学改变的病灶，且受个体差异及肿瘤异质性等多方面因素影响。
[0004]随着超声诊断应用需求的不断提高，超声数据更多地以海量的、视频序列图像的形式存在于临床。由于仅依赖医生肉眼对视频图像中动态信息的捕捉，往往会造成大量信息的丢失。现有的大部分研究仅对采集的视频序列中的单帧图像进行分析，其诊断结果的可靠性及准确性不甚理想。

技术实现思路

[0005]本专利技术提出一种乳腺癌患者腋窝淋巴结转移状态预测方法用于解决上述问题。
[0006]为实现上述目的，本专利技术采用以下技术方案：
[0007]一种乳腺癌患者腋窝淋巴结转移状态预测方法，包括以下步骤：
[0008]S1、预处理：获取多帧乳腺超声图像，并进行预处理；
[0009]S2、特征提取：对多帧所述乳腺超声图像进行特征提取得到不同帧图像对应的特征向量；
[0010]S3、特征融合：将多帧所述乳腺超声图像的所述特征向量进行拼接融合，得到融合特征；
[0011]S4、分类预测：通过分类模型和Softmax层对所述融合特征进行分类预测，获取乳腺癌腋窝淋巴结节转移状态的预测结果。
[0012]优选地，步骤S1具体为：对患者的乳腺超声视频进行预处理，去除拍摄中的冗余信息，得到多帧乳腺超声图像。
[0013]优选地，所述特征提取、特征融合及分类预测均基于深度学习模型实现。
[0014]优选地，步骤S2中所述特征提取采用特征提取网络ResNet实现，且所述特征提取网络ResNet去除用于分类的全连接层，保留用于特征提取的卷积层和池化层。
[0015]优选地，步骤S2所述特征提取具体包括：
[0016]S21、将乳腺超声图像作为输入，通过卷积层的卷积核在图像上从左到右从上到下依次滑动卷积得到卷积之后的特征向量，完成图像特征的提取；
[0017]S22、卷积之后的池化层接着对特征进行选择，保留提取特征中的最大值作为有效特征；
[0018]S23、根据步骤S21和S22分别对所述乳腺超声图像的图像浅层和图像深层进行有效特征提取，并根据所述有效特征形成特征图。
[0019]优选地，步骤S3中所述特征融合具体包括：
[0020]S31、输入所述特征图，先将3/4的通道对应的特征进行固定，再将余下1/4的通道对应的特征沿着通道维度分为4组，每组应用不同的偏移量和权重；
[0021]S32、根据所述偏移量和权重，通过可微时序移动模块将各组按照所述通道维度切分出的特征沿时间维度进行移动，从而完成时间维度特征的学习和融合，得到融合特征。
[0022]优选地，所述偏移量通过偏移预测网络进行预测，且其中前两组特征的偏移量为T维度的偏移量，后两组特征的偏移量为前两组特征的偏移量的相反值。
[0023]优选地，所述权重通过权重预测网络进行预测，且所述权重为融合后时序维度上特征的权重。
[0024]采用上述技术方案后，本专利技术与
技术介绍
相比，具有如下优点：
[0025]本专利技术提供一种乳腺癌患者腋窝淋巴结转移状态预测方法，以乳腺超声视频中的图像为检查信息，实现高精度的乳腺超声视频序列图像的实时分割，并利用关键帧对乳腺癌患者腋窝淋巴结是否转移进行预测评估，从而用于更好地评估良恶性及乳腺癌的转移可能性概率，为患者的病情诊断及治疗方式选择提供指导。
附图说明
[0026]图1为本专利技术构建方法步骤示意图；
[0027]图2为本专利技术乳腺超声视频处理过程图；
[0028]图3为本专利技术预处理后乳腺超声图像；
[0029]图4为本专利技术特征融合过程示意图；
[0030]图5为本专利技术模型效果热图。
具体实施方式
[0031]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仅用以解释本专利技术，并不用于限定本专利技术。
[0032]实施例
[0033]配合图1至图5所示，本专利技术公开了一种乳腺癌患者腋窝淋巴结转移状态预测方法，包括以下步骤：
[0034]S1、预处理：获取多帧乳腺超声图像，并进行预处理；
[0035]步骤S1具体为：对患者的乳腺超声视频进行预处理，去除拍摄中的冗余信息，得到多帧乳腺超声图像。
[0036]S2、特征提取：对多帧乳腺超声图像进行特征提取得到不同帧图像对应的特征向量；
[0037]步骤S2中特征提取采用特征提取网络ResNet实现，且特征提取网络ResNet去除用
于分类的全连接层，保留用于特征提取的卷积层和池化层。
[0038]步骤S2特征提取具体包括：
[0039]S21、将多帧乳腺超声图像作为输入，通过卷积层的卷积核在图像上从左到右从上到下依次滑动卷积得到卷积之后的特征向量，完成图像特征的提取；
[0040]S22、卷积之后的池化层接着对特征进行选择，保留提取特征中的最大值作为有效特征，在一定程度上压缩图像特征信息避免过拟合，最后在激活层采用非线性激活函数来提高模型处理非线性问题的能力。
[0041]S23、根据步骤S21和S22分别对乳腺超声图像的图像浅层和图像深层进行有效特征提取，并根据有效特征形成特征图.
[0042]S3、特征融合：将多帧乳腺超声图像的特征向量进行拼接融合，得到融合特征；
[0043]步骤S3中特征融合具体包括：
[0044]S31、输入特征图，先将3/4的通道对应的特征进行固定，再将余下1/4的通道对应的特征沿着通道维度分为4组，每组应用不同的偏移量和权重；
[0045]S32、根据偏移量和权重，通过可微时序移动模块将各组按照通道维度切分出的特征沿时间维度进行移动，从而完成时间维度特征的学习和融合，得到融合特征。
[0046]偏移量通过偏移预测网络进行预测，且其中前两组特征的偏移量为T维度的偏移量，后两组特征的偏移量为前两组特征的偏移量的相反值。
[0047]权重通过权重预测网络进行预测，且权重为融合后时序维度上特征的权重。
[0048]S4、分类预测：通过分类模型和Softmax层对融合特征进行分类预测，获取乳腺癌腋窝淋巴结节转移状态的预测结果。
[0049]本实施例特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种乳腺癌患者腋窝淋巴结转移状态预测方法，其特征在于，包括以下步骤：S1、预处理：获取多帧乳腺超声图像，并进行预处理；S2、特征提取：对多帧所述乳腺超声图像进行特征提取得到不同帧图像对应的特征向量；S3、特征融合：将多帧所述乳腺超声图像的所述特征向量进行拼接融合，得到融合特征；S4、分类预测：通过分类模型和Softmax层对所述融合特征进行分类预测，获取乳腺癌腋窝淋巴结节转移状态的预测结果。2.如权利要求1所述的一种乳腺癌患者腋窝淋巴结转移状态预测方法，其特征在于，步骤S1具体为：对患者的乳腺超声视频进行预处理，去除拍摄中的冗余信息，得到多帧乳腺超声图像。3.如权利要求1所述的一种乳腺癌患者腋窝淋巴结转移状态预测方法，其特征在于：所述特征提取、特征融合及分类预测均基于深度学习模型实现。4.如权利要求1所述的一种乳腺癌患者腋窝淋巴结转移状态预测方法，其特征在于：步骤S2中所述特征提取采用特征提取网络ResNet实现，且所述特征提取网络ResNet去除用于分类的全连接层，保留用于特征提取的卷积层和池化层。5.如权利要求4所述的一种乳腺癌患者腋窝淋巴结转移状态预测方法，其特征在于，步骤S2所述特征提取具体包括：S21、将多帧所述乳腺超声图像作为输入，...

【专利技术属性】
技术研发人员：张国君，赵雪，杜智铖，李卫斌，彭汶铎，黄文河，
申请(专利权)人：厦门术利康医学科技有限公司，
类型：发明
国别省市：