[发明专利]基于隐式表观学习的乳腺X射线影像分类模型训练方法

说明书

本申请实施例提供了一种基于隐式表观学习的乳腺X射线影像分类模型训练方法和装置，解决了现有乳腺X射线影像分析方式不能充分利用表观特征而导致准确率低的问题。该基于隐式表观学习的乳腺X射线影像分类模型训练方法包括：基于预训练的特征提取模型提取乳腺X射线影像中的多个类型的病灶特征；分别对所述多个类型的病灶特征进行特征抽象建模以获取多个隐式表观特征描述信息；基于所述多个隐式表观特征描述信息获取用于表征所述多个类型的病灶特征之间关联关系的联合隐式表观特征；将所述联合隐式表观特征输入神经网络模型以获取预测分析结果；以及基于所述预测分析结果计算损失函数取值，并基于所述损失函数取值调整所述神经网络模型的参数。

技术领域

本申请涉及影像分析技术领域，具体涉及一种基于隐式表观学习的乳腺X射线影像分类模型训练方法、装置、电子设备和计算机可读存储介质。

背景技术

目前在世界范围内，乳腺癌是女性中发病率最高的癌症。乳腺X射线影像是乳腺癌早期筛查最重要的手段。由于X射线穿过人体时，被吸收的程度不同，通过人体后的X射线量就不同，这样所形成的影像便携带了人体各部密度分布的信息，在荧光屏上或摄影胶片上引起的荧光作用或感光作用的强弱就有较大差别，因而在荧光屏上或摄影胶片上(经过显影、定影)将显示出不同密度的阴影。根据阴影浓淡的对比，结合临床表现、化验结果和病理诊断，即可判断人体某一部分是否正常。

目前已有一些基于传统影像组学和深度学习的乳腺X射线影像良恶性分类方法，但分类准确率仍然有待提高。传统影像组学提取的特征都是根据经验设计的底层图像特征，表示能力有限，而且与良恶性语义之间有很大的距离。现有的深度学习方法缺乏对于临床表观的建模和学习，不符合医生判读的过程，而这些临床表观对于乳腺良恶性的判别至关重要。

发明内容

有鉴于此，本申请实施例提供了一种基于隐式表观学习的乳腺X射线影像分类模型训练方法和装置，解决了现有乳腺X射线影像分析方式准确率低的问题。

根据本申请的一个方面，本申请一实施例提供的一种基于隐式表观学习的乳腺X射线影像分类模型训练方法包括：基于预训练的特征提取模型提取乳腺X射线影像中的多个类型的病灶特征；分别对所述多个类型的病灶特征进行特征抽象建模以获取多个隐式表观特征描述信息；基于所述多个隐式表观特征描述信息获取用于表征所述多个类型的病灶特征之间关联关系的联合隐式表观特征；将所述联合隐式表观特征输入神经网络模型以获取预测分析结果；以及基于所述预测分析结果计算损失函数取值，并基于所述损失函数取值调整所述神经网络模型的参数。

在本申请一实施例中，所述多个类型的病灶特征包括以下种类中的任意组合：病灶边缘特征、病灶形状特征和病灶分布特征。

在本申请一实施例中，所述分别对所述多个类型的病灶特征进行特征抽象建模以获取多个隐式表观特征描述信息包括：将所述多个类型的病灶特征分别输入对应的隐式表观建模模型以获取所述多个隐式表观特征描述信息，其中，所述隐式表观建模模型包括卷积层和全连接层。

在本申请一实施例中，所述多个类型的病灶特征包括病灶分布特征；其中，所述分别对所述多个类型的病灶特征进行特征抽象建模以获取多个隐式表观特征描述信息包括：将病灶区域的所述病灶分布特征输入分布隐式表观建模模型以获取用于描述病灶分布情况的第一分布描述信息；将所述病灶区域的周边区域的所述病灶分布特征输入所述分布隐式表观建模模型以获取用于描述病灶周边区域分布情况的第二分布描述信息；以及将所述第一分布描述信息和所述第二分布描述信息进行整合以获取与所述病灶分布特征对应的所述隐式表观特征描述信息。

在本申请一实施例中，所述将所述第一分布描述信息和所述第二分布描述信息进行整合的方式包括以下方式的一种：特征拼接、特征加和以及特征转换。

在本申请一实施例中，所述基于所述多个隐式表观特征描述信息获取用于表征所述多个类型的病灶特征之间关联关系的联合隐式表观特征包括：通过内积或核函数计算所述多个隐式表观特征描述信息之间的所述联合隐式表观特征。