基于深度学习和图像处理的乳腺钼靶病灶检测及定位方法技术

本发明专利技术提供了一种基于深度学习和图像处理的乳腺钼靶病灶检测及定位方法，包括：获取Dicom格式的乳腺钼靶图像集；对获取的乳腺钼靶图像集中的图像进行图像预处理操作；构建深度学习卷积神经网络模型，使用乳腺钼靶图像集中的图像与勾画得到的不同区域的标签对模型进行训练及测试；对所述深度学习卷积神经网络模型输出的LCC、RCC、LMLO及RMLO体位的掩模图像的乳头区域计算重心坐标，分别做垂线得到区分病灶位置的两种不同体位的边界线，并分别以得到的两种不同体位的边界线为x轴构建笛卡尔坐标系；对所述两种不同体位的边界线划分为不同区域后计算病灶区域最小外接矩形，结合划分后的不同区域判断病灶区域位置并计算大小；形成结构化文字显示病灶信息。成结构化文字显示病灶信息。成结构化文字显示病灶信息。

【技术实现步骤摘要】
基于深度学习和图像处理的乳腺钼靶病灶检测及定位方法


[0001]本专利技术属于图像处理、深度学习卷积神经网络
，具体涉及一种基于深度学习和图像处理的乳腺钼靶病灶检测及定位方法。
技术背景
[0002]在乳腺癌筛查中，乳腺钼靶是最常用的检查手段之一，其优点是能够对肿块进行定位、测量，能发现无症状或临床上触摸不到的肿块(如以单纯钙化、腺体结构扭曲、腺体非对称性致密为主的早期恶性肿瘤)，尤其是发现可疑钙化。乳腺钼靶的发现率相对于超声和磁共振(Magnetic Resonance Imaging，MRI)都具有绝对优势。乳腺钼靶检查采用的是国际通用的乳腺影像诊断报告数据系统(BI
‑
RADS)，该标准将病变分为0
‑
6级，病变随着级别的增高恶性的可能性随之增加。另外，乳腺钼靶检查不仅对发现钙化敏感性非常高，同时对腺体的发育及退化的观察评价也较为客观。按照BI
‑
RADS分类对乳腺腺体含量进行四种分型，根据乳腺钼靶上腺体的含量可以作为评价罹患乳腺癌的风险因素，使乳腺癌的筛查活动能够提供更多的有价值的信息让广大女性获益。
[0003]现阶段对于乳腺钼靶病灶的定位、诊断、分类评判主要是通过放射科医师主观经验进行。但是由于不同放射科医师对病灶的诊断水平不一，导致同一患者钼靶图像中病灶的定位、评判、测量等操作在主观经验下会出现偏差。一方面是在对病灶位置定位时，由于不同放射科医师对于乳晕下区、中央区、尾叶区、前带、内侧、外侧、上侧及下侧范围的理解不一样，会对同一病灶描述出现不同的位置信息；另一方面则是在对病灶进行测量时，放射科医师通常是通过手工测量其大小，然后结合相应的影像软件测量出病灶的真实大小。但手工测量的病灶大小同样存在着误差，该误差来自不同医师对病灶边界的理解不一及不同年资医师寻找的边界不同。
[0004]综上所述，考虑到由不同医师主观经验对钼靶图像中病灶的定位、评判和测量所带来的误差，为了避免因主观因素出现的判断、测量及定位产生的误差，目前亟需一种解决上述问题的针对于乳腺钼靶病灶评估及定位方法。

技术实现思路

[0005]本专利技术的目的在于针对上述问题，提出一种基于深度学习和图像处理的乳腺钼靶病灶检测及定位方法。
[0006]为实现上述目的，本专利技术采用了如下技术方案：
[0007]一种基于深度学习和图像处理的乳腺钼靶病灶检测及定位方法，包括：
[0008]获取Dicom格式的乳腺钼靶图像集，所述乳腺钼靶图像集包括多组由LCC、RCC、LMLO及RMLO体位的图像构成的图像组；
[0009]对获取的乳腺钼靶图像集中的图像进行图像预处理操作，包括格式转换，像素信息提取，以及良恶性病灶、胸肌及乳头区域的标签勾画；
[0010]构建用于分割良恶性病灶、胸肌及乳头区域的深度学习卷积神经网络模型，使用
所述乳腺钼靶图像集中的图像与勾画得到的不同区域的标签对模型进行训练及测试，训练后的深度学习卷积神经网络模型的输出分别为良恶性病灶、胸肌及乳头区域的掩模图像；
[0011]对所述深度学习卷积神经网络模型输出的LCC、RCC、LMLO及RMLO体位的掩模图像的乳头区域计算重心坐标，分别做LCC和RCC体位乳头重心点至乳房内侧的垂线，以及LMLO和RMLO体位乳头重心点至胸肌边界线的垂线，得到区分病灶位置的两种不同体位的边界线，并分别以得到的两种不同体位的边界线为x轴构建笛卡尔坐标系；
[0012]对所述两种不同体位的边界线进行三等分，划分为不同区域后计算病灶区域最小外接矩形，结合划分后的不同区域判断病灶区域位置，并结合Dicom图像中像素点信息计算病灶区域大小；
[0013]形成结构化文字显示得到的病灶信息。
[0014]进一步的，对获取的乳腺钼靶图像集中的图像进行图像预处理操作包括：
[0015]通过Python语言的科学数据库Pydicom和SimpleITK对Dicom格式的图像进行脱敏处理，保留拍摄体位、方向和像素点具体信息，去除患者姓名及拍摄信息，以无损方式转换为高质量Png格式的图像。
[0016]优选的，所述深度学习卷积神经网络模型基于DeepLabV3+网络构建。
[0017]进一步的，使用Focal Loss损失函数对所述深度学习卷积神经网络模型进行训练，所述Focal Loss损失函数的函数表达式为：
[0018]FL(P
t
)＝
‑
α
t
(1
‑
P
t
)
γ
log(P
t
)
[0019]其中，FL(P
t
)为Focal Loss损失，P
t
为预测前景的概率，(1
‑
P
t
)
γ
为调节因子，用于降低易分样本的损失贡献，γ为调节因子中的一个参数，取值范围在0到5的闭区间中，α
t
为权重因子，用于调节正负样本损失之间的比例；
[0020]训练及测试完成后，选取泛化性能最优的模型作为最终的分割模型。
[0021]进一步的，训练后的深度学习卷积神经网络模型基于输入的目标钼靶图像，输出良恶性病灶、胸肌及乳头区域的掩模图像，并以不同颜色进行区分：良性病灶为蓝色区域、恶性病灶为绿色区域、乳头为红色区域以及胸肌为黄色区域。
[0022]进一步的，所述胸肌边界线基于如下方法拟合得到：
[0023]基于深度学习卷积神经网络模型输出的胸肌区域掩模图像中胸肌外侧边界坐标点，对LMLO及RMLO体位胸肌外侧边界进行线性回归，得到胸肌边界的一次函数，作为胸肌边界线。
[0024]进一步的，所述两种不同体位的边界线中，定义LCC和RCC体位的边界线下方为内侧，上方为外侧；LMLO和RMLO体位的边界线上方为上侧，下方为下侧；
[0025]对两种不同体位的边界垂线进行三等分，并分别做三等分点的垂线，LCC和RCC体位等分点的垂线平行于y轴，LMLO和RMLO体位等分点的垂线平行于胸肌边界线，定义从乳头至边界和胸肌方向的三等分区域分别为乳晕下区、中央区及尾叶区。
[0026]进一步的，结合划分后的不同区域判断病灶区域位置具体包括：
[0027]计算病灶区域的最小外接矩形，得到最小外接矩形的四个角的笛卡尔坐标系坐标；
[0028]遍历判断每一个病灶最小外接矩形顶点与LCC和RCC体位，以及LMLO和RMLO体位三分点垂线的位置关系，得到病灶所在区域信息。
[0029]进一步的，结合Dicom图像中像素点信息计算病灶区域大小具体包括：
[0030]计算病灶区域最小外接矩形的像素点个数，结合Dicom格式图像中单位像素距离信息计算病灶实际长度大小。
[0031]进一步的，所述方法还包括：
[0032]计算所述病灶区域的最大外接矩形，根据所述最大外接矩形左上角和右本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和图像处理的乳腺钼靶病灶检测及定位方法，其特征在于，包括：获取Dicom格式的乳腺钼靶图像集，所述乳腺钼靶图像集包括多组由LCC、RCC、LMLO及RMLO体位的图像构成的图像组；对获取的乳腺钼靶图像集中的图像进行图像预处理操作，包括格式转换，像素信息提取，以及良恶性病灶、胸肌及乳头区域的标签勾画；构建用于分割良恶性病灶、胸肌及乳头区域的深度学习卷积神经网络模型，使用所述乳腺钼靶图像集中的图像与勾画得到的不同区域的标签对模型进行训练及测试，训练后的深度学习卷积神经网络模型的输出分别为良恶性病灶、胸肌及乳头区域的掩模图像；对所述深度学习卷积神经网络模型输出的LCC、RCC、LMLO及RMLO体位的掩模图像的乳头区域计算重心坐标，分别做LCC和RCC体位乳头重心点至乳房内侧的垂线，以及LMLO和RMLO体位乳头重心点至胸肌边界线的垂线，得到区分病灶位置的两种不同体位的边界线，并分别以得到的两种不同体位的边界线为x轴构建笛卡尔坐标系；对所述两种不同体位的边界线进行三等分，划分为不同区域后计算病灶区域最小外接矩形，结合划分后的不同区域判断病灶区域位置，并结合Dicom图像中像素点信息计算病灶区域大小；形成结构化文字显示得到的病灶信息。2.如权利要求1所述的基于深度学习和图像处理的乳腺钼靶病灶检测及定位方法，其特征在于，对获取的乳腺钼靶图像集中的图像进行图像预处理操作包括：通过Python语言的科学数据库Pydicom和SimpleITK对Dicom格式的图像进行脱敏处理，保留拍摄体位、方向和像素点具体信息，去除患者姓名及拍摄信息，以无损方式转换为高质量Png格式的图像。3.如权利要求1所述的基于深度学习和图像处理的乳腺钼靶病灶检测及定位方法，其特征在于，所述深度学习卷积神经网络模型基于DeepLabV3+网络构建。4.如权利要求3所述的基于深度学习和图像处理的乳腺钼靶病灶检测及定位方法，其特征在于，使用Focal Loss损失函数对所述深度学习卷积神经网络模型进行训练，所述Focal Loss损失函数的函数表达式为：FL(P
t
)＝
‑
α
t
(1
‑
P
t
)
γ
log(P
t
)其中，FL(P
t
)为FocalLoss损失，P
t
为预测前景的概率，(1
‑
P

【专利技术属性】
技术研发人员：徐栋，刘元振，张娟，姚劲草，朱曦，陈晨，
申请(专利权)人：浙江省肿瘤医院，
类型：发明
国别省市：