【技术实现步骤摘要】
本专利技术属于计算机系统工程领域，尤其涉及一种基于深度学习的乳腺潜在恶性病变风险评估方法及系统。
技术介绍
1、乳腺癌是女性最常发生的癌症，多年来，通过早期发现和筛查，患者的生存率有了很大的提高。乳腺磁共振成像（mri）是一种成熟的成像方式，已被广泛用于多种临床适应症，包括诊断、术前分期、治疗反应监测和对高危妇女的筛查。
2、在放射科医生阅读乳腺mri的临床工作流程中，首要任务是识别可疑的异常情况，然后对异常区域进行定性以做出诊断。考虑到为覆盖整个乳腺而获取的大量图像，放射科医生审查整个数据集是非常耗时的。计算机辅助软件已被开发为一种辅助工具。这些系统（如merge cadstream, dynacad）主要用于生成基本信息，以帮助放射科医生解释图像。例如，减影图像的最大强度投影（mip）对于定位整个容积中的增强区域是最有价值的，因此往往是第一个审查的图像。然后，放射科医生可以通过翻阅图像来审查所有的图像以找到病变，并根据乳腺成像报告和数据系统（bi-rads）分级对其进行定性。标准的mri方案包括动态增强（dce）mri序列，可用于生成彩色编码的dce廓清图和dce时间过程。这些信息可以一起显示在工作站上进行评估；但是，所有的决定必须由放射科医生做出。
3、良性和恶性病变有明显的特征，可以用定量的影像参数来描述。在过去的30年里，许多计算机辅助诊断（cad）系统已经被开发出来以进行鉴别诊断。放射组学分析可以应用于从病变感兴趣区域（roi）中提取数百个特征，然后应用复杂的统计学方法，包括机器学习算法，选择
4、近年来，深度学习也被广泛用于对乳腺mri进行无监督分析，对病变进行检测和分类，包括良性疾病和恶性癌症的区分以及对分子亚型的预测。卷积神经网络（cnn）是一个流行的架构，可以应用于估计已识别病变的恶性概率。已有研究表明，准确率取决于输入框的大小；而为了提高准确率，通常采用两个或多个神经网络进行连接，这种粗暴的网络连接会造成许多增强区域被检测为假阳性，容易造成误诊，从而采用生物切片等方式，对身体造成不必要的损伤。
技术实现思路
1、针对上述现有技术中存在的缺陷，本专利技术提供一种基于深度学习的乳腺潜在恶性病变风险评估评测方法，包括以下步骤：
2、步骤s101、获取mri乳腺图像；
3、步骤s103、将所述mri乳腺图像进行归一化处理，确保所有输入图像具有相同的大小和格式；
4、步骤s105、将归一化处理后的mri乳腺图像分别输入密集连接卷积神经网络模型和残差卷积神经网络模型；
5、步骤s107、将所述密集连接卷积神经网络模型的最后一个密集块的输出作为第一输入特征，将所述残差卷积神经网络模型的最后一个残差块的输出作为第二输入域特征；
6、步骤s109、将所述第一输入特征与所述第二输入特征进行并行拼接，得到第三输入特征；
7、步骤s1011、将所述第三输入特征输入到第一分类器；
8、步骤s1013、基于所述第一分类器的输出判断风险等级。
9、其中，所述步骤s103包括：
10、步骤s301、确定所述mri乳腺图像的像素值范围；
11、首先，确定mri图像的像素值范围。通常，mri图像的像素值范围可以通过查看数据集中的最小值和最大值来确定。
12、步骤s303、归一化处理；
13、对于每个像素值x，应用以下归一化公式：
14、normalized_x = (x - min_value) / (max_value - min_value)
15、这将使得归一化后的像素值normalized_x在0到1之间。
16、其中，所述第一输入特征通过如下步骤获取：
17、假设最后一个密集块中有l层，每层的增长率为k，瓶颈层的压缩系数为θ，设最后一层的输入特征图为x_{l-1}，输出特征图为x_l，
18、在每个密集块内部，使用瓶颈层结构，其中包含一个1x1卷积层和一个3x3卷积层，
19、定义瓶颈层的1x1卷积层的权重矩阵为w_1，其大小为1 x 1 x c_in1 x c_bottleneck和偏置向量为b_1，其大小为c_bottleneck，
20、定义瓶颈层的3x3卷积层的权重矩阵为w_3，其大小为3 x 3 x c_bottleneck xc_out和偏置向量为b_3，其大小为c_out，
21、则最后一个密集块的输出特征图x_l可以通过以下公式计算得到：
22、x_l = [x_0, x_1, ..., x_{l-1}] * [w_1, w_3]+ [b_1, b_3]
23、其中 * 表示卷积操作，[w_1, w_3]表示按通道维度连接的权重矩阵，[b_1, b_3]表示按通道维度连接的偏置向量，这里的连接操作是指将不同层的输出特征图在通道维度上进行连接。
24、其中，所述第二输入特征通过如下步骤获取：
25、假设最后一个残差块中的输入特征为x_in，输出特征为x_out，
26、在残差块内部，我们使用两个3x3卷积层，
27、第一个3x3卷积层的权重矩阵为w_5，其大小为3 x 3 x c_in2 x c_mid和偏置向量为b_5，其大小为c_mid，
28、定义第二个3x3卷积层的权重矩阵为w_7，其大小为3x 3 x c_mid x c_out和偏置向量为b_7，其大小为c_out，
29、则最后一个残差块的输出特征x_out可以通过以下公式计算得到：
30、x_out = x_in * w_5 + [b_5] * w_7 + [b_7]
31、其中 * 表示卷积操作，[b_5]表示将偏置向量b_5扩展为与x_in相同的形状的张量，[b_7]表示将偏置向量b_7扩展为与w_7的形状相同的张量。
32、其中，所述步骤s109具体包括：
33、将维度相同的 x_l 和x_out进行拼接，得到融合后的特征向量 fused_feat，可以使用拼接符号 "||"来表示，
34、fused_feat = x_l || x_out，这里的拼接操作是指将两个特征向量在通道维度上进行连接，拼接后的fused_feat的维度将是原始特征向量的两倍。
35、其中，如果x_l 和x_out的维度不同，则使用全连接层或卷积层来调整特征向量的维度，以使其与另一个特征向量的通道数相匹配。
36、其中，所述全连接层调整维度如下：
37、设特征向量b的维度为 (n, c1)，其中 n 是样本数，本文档来自技高网...
【技术保护点】
1.一种基于深度学习的乳腺潜在恶性病变风险评估方法，包括以下步骤：
2.如权利要求1所述方法，其中所述步骤S103包括：
3.如权利要求1所述方法，其中所述第一输入特征通过如下步骤获取：
4.如权利要求3所述方法，其中所述第二输入特征通过如下步骤获取：
5.如权利要求5所述方法，其中所述步骤S109具体包括：
6.如权利要求5所述方法，其中如果X_L 和X_out的维度不同，则使用全连接层或卷积层来调整特征向量的维度，以使其与另一个特征向量的通道数相匹配。
7.如权利要求6所述方法，其中所述全连接层调整维度如下：
8.如权利要求1所述方法，其中所述第一分类器采用全连接层和softmax函数来实现。
9.如权利要求8所述方法，其中所述第一分类器采用如下公式实现：
10.一种基于深度学习的乳腺潜在恶性病变风险评估系统，其包括：
【技术特征摘要】
1.一种基于深度学习的乳腺潜在恶性病变风险评估方法，包括以下步骤：
2.如权利要求1所述方法，其中所述步骤s103包括：
3.如权利要求1所述方法，其中所述第一输入特征通过如下步骤获取：
4.如权利要求3所述方法，其中所述第二输入特征通过如下步骤获取：
5.如权利要求5所述方法，其中所述步骤s109具体包括：
6.如权利要求5所述方法，其中如果x_l 和x_...
【专利技术属性】
技术研发人员：曹圳杰，于江波，袁家琳，马捷，
申请(专利权)人：深圳市人民医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。