[发明专利]基于深度学习算法的乳腺肿瘤组织检测方法及装置

权利要求书

1.基于深度学习算法的乳腺肿瘤组织检测方法，其特征在于：包括：

收集确诊病历中左右两侧乳腺在不同时段的常规头尾位和内外斜位的低能图像与高低能减影图像；

基于两种收集的确诊病例图像，分别建立乳腺肿瘤组织自动检测的深度学习模型，计算正常病灶血流灌注变化率的区间范围；

提取或采集待检测病历中左右两侧乳腺在不同时段的常规头尾位和内外斜位的低能图像与高低能减影图像，并输入至已建立的深度学习模型，进行当前病历的检测和分析，得到深度学习模型输出的自动检测结果，并对检出的乳腺肿瘤组织计算其病灶血流灌注变化率。

2.根据权利要求1所述的乳腺肿瘤组织检测方法，其特征在于：深度学习模型输出的自动检测结果包括：是否检出乳腺肿瘤组织、对检出的乳腺肿瘤组织进行良恶性判断和组织情况信息；

组织情况信息包括钙化病灶、致密性等组织学信息。

3.根据权利要求2所述的乳腺肿瘤组织检测方法，其特征在于：病灶血流灌注变化率的计算公式是：

病灶血流灌注变化率＝(Amin时病灶信号强度-B min时病灶信号强度)/Amin时病灶信号强度；且A＜B。

4.根据权利要求2所述的乳腺肿瘤组织检测方法，其特征在于：提取乳腺的常规头尾位和内外斜位的低能图像与高低能减影图像的方法是：

对检测对象静脉注射含碘对比剂；

在2min和5min时分别对左右两侧的乳腺就常规头尾位和内外斜位进行成像和图像采集，每个成像部位均获得低能图像和高能图像各一幅；

利用碘造影剂的K缘效应，获得高低能减影图像,将采集的所有图像进行保存。

5.根据权利要求4所述的乳腺肿瘤组织检测方法，其特征在于：采集的所有图像以dicom、nifty、nrrd中的一种或多种格式进行保存，并可被读取、分析。

6.根据权利要求4所述的乳腺肿瘤组织检测方法，其特征在于：建立深度学习模型的方法是：

输入确诊病历中左右两侧乳腺在不同时段的常规头尾位和内外斜位的低能图像与高低能减影图像；

将输入的确诊病例图像进行预处理；

利用ResNet网络将处理后的输入图像进行特征提取，形成特征金字塔；

在特征金字塔的每个特征层上建立边界框回归子网络，预测确诊病例图像的边界框坐标，进行分割；

从分割后的确诊病例图像中提取病灶图像；

基于提取的病灶图像建立分类网络：

先对病灶图像进行激活，并用相应分类个数的卷积核卷积，然后通过sigmoid函数激活最后一层，最后根据良恶性、组织情况信息进行分类，得到若干类别信息，用于预测待检测病历的类别。

7.根据权利要求6所述的乳腺肿瘤组织检测方法，其特征在于：通过录入新确诊病例中乳腺的常规头尾位和内外斜位的低能图像与高低能减影图像，可以不断更新、优化已建立的深度学习模型。

8.根据权利要求6所述的乳腺肿瘤组织检测方法，其特征在于：通过深度学习模型对当前病历进行检测和分析的方法是：

将输入的当前病历图像进行预处理；

调用预先建立的深度学习模型，并依次对处理后的当前病历图像提取特征金字塔、建立边界框回归子网络、预测待检测病历图像的边界框坐标、进行分割；

根据分割后的待检测病历图像，与确诊病例图像进行比对，判断是否检出乳腺肿瘤组织；

对检出乳腺肿瘤组织的病历，计算其乳腺病灶血流灌注变化率，并进行图像提取，得到当前病历的病灶图像；

对当前病历的病灶图像进行激活，通过将每个特征层与确诊病例图像进行比对，比对后得出最相似的确诊病例图像，获取对应的类别信息，实现当前病例的类别预测；

多次比对后，得到当前病历的自动检测结果，并结合乳腺病灶血流灌注变化率进行全面诊断。