[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

说明书

本发明涉及基于深度学习算法的乳腺肿瘤组织检测方法及装置，其中方法包括：收集现有确诊病例图像，基于现有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，提取或采集待检测病例图像，输入至深度学习模型，得到自动检测结果，计算出病灶血流灌注变化率。本发明通过基于深度学习算法的乳腺肿瘤组织检测方法及装置，明显提高了对乳腺肿瘤组织的检出率，并能够实现精准的乳腺病灶良恶性判断和分类；通过低能图像和高低能减影图像结合的方式，进行对比增强能谱乳腺X线摄影，弥补了单一低能图像检测的不足；结合血流灌注变化率以及病灶组织分类，提高了良恶性鉴别能力，不易发生假阴性和假阳性的检测。

技术领域

本发明属于病灶检测技术领域，尤其涉及基于深度学习算法的乳腺肿瘤组织检测方法及装置。

背景技术

乳腺癌作为女性最常见的恶性肿瘤之一，发病率呈现逐年上升的趋势，严重威胁妇女的身心健康。因此，对于乳腺癌的早期精准定量化诊断及早期精准指导治疗就显得尤为重要。

如CN105361909B公开的一种乳腺超声扫描检测系统，包括检查床、扫描成像装置及超声诊断仪，通过图像扫描和超声识别结合，通过探头的全自动方式采集图像，更能真实反映检查者的情况，对于病灶定位更加准确。

但是，该种方法仍需人工分析处理，根据图像和扫描结果对病灶区域进行判断，受到分析人员的专业水平、临床经验以及分析专注度等条件的限制，其病灶处检测结果的准确性无法保证；且图像一般为单一的低能乳腺X线摄影图像，对于血运丰富的其他病灶或致密型乳腺患者，检测结果易呈假阳性或假阴性，存在缺陷。

发明内容

针对上述问题，本发明提供，主要解决了现有技术中人工检测易发生假性误判、人工检测限制较大、检测准确性无法保证、只能基于简单的低能影像判断等问题。

为了解决上述问题，本发明采用如下技术方案：

基于深度学习算法的乳腺肿瘤组织检测方法，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。

一种方式，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。

一种方式，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时的病灶信号强度-B min时的病灶信号强度)/Amin时的病灶信号强度；且A＜B。

一种方式，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。

一种方式，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。

一种方式，建立深度学习模型的方法是：