[发明专利]超声视频病灶检测方法及装置

说明书

本申请提供了一种超声视频病灶检测方法及装置；所述方法包括：利用特征金字塔网络对采集的超声影像进行特征提取，得到所述超声影像对应的特征矩阵；利用可变形卷积网络确定所述特征矩阵对应的特征偏移；基于所述特征偏移和所述特征矩阵，确定新的特征矩阵；基于所述新的特征矩阵确定所述超声影像对应的病灶信息。

本申请是申请号为202011333447.2，申请日为2020年11月25日，发明名称为：一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法的分案申请。

技术领域

本申请涉及医学图像领域，特别涉及一种超声视频病灶检测方法及装置。

背景技术

乳腺癌即乳腺恶性肿瘤，根据国家癌症中心公布的数据显示，乳腺癌位居我国女性恶性肿瘤发病第1位，严重威胁女性健康。美国弗吉尼亚大学Hillman教授2010年在《NEngl J Med》上撰文指出：早期精确诊断可使乳腺癌患者5年生存率从25％提高到99％。

乳腺超声技术具有无创、快捷、重复性强等优点，能清楚地显示乳腺各层软组织及其中肿块的形态、内部结构及相邻组织的改变。由于无放射性，可适用于任何年龄，尤其是妊娠及哺乳期女性的乳腺检查。对X线照射有困难的部位(如乳腺边缘)，可以作为弥补检查，而且能较好地显示肿块的位置、形态、结构等。对较致密乳腺，即使有肿块也难以分辨时，超声可利用声波界面反射的差别，清晰显示病灶的轮廓和形态。

但我国的超声检查却面临两大难题：一是超声医生培养难，医生在能够正确解读超声图像之前，需要经过大量的培训，且学习周期长、学习难度大，不同操作者对图像的解读具有差异性；二是我国超声医生资源严重紧缺，卫计委统计年鉴显示，超声注册医生至少有10万人的缺口。目前，乳腺超声影像诊断的高需求和现实供给之间的不平衡，已经成为临床实践中亟待解决的主要问题之一。

医学影像的全面数字化和计算机技术的发展，为从技术层面解决这一问题带来了希望。最先发展起来的是计算机辅助检测/诊断(computer aided detection/diagnosis，CAD)系统。CAD是一种通过综合运用计算机、数学、统计学、图像处理与分析方法，由人工从医学影像上进行特征提取、标注可疑病变位置、对病灶区域进行良恶性判断的AI技术。这种训练方法易于理解，因为其结果是依据输入的特征运算的，可以有效提高训练的效率和准确率，降低运算的复杂度。但传统CAD功能单一、性能不足，病灶检出假阳性率过高，在性能上很快到达瓶颈，其临床价值没有得到充分肯定。

近几年，随着深度学习算法的出现和成熟，AI技术在医学影像中的应用逐步走向了更高的层面，为突破传统CAD系统的准确性瓶颈带来了可能。与传统CAD不同的是，深度学习可以不依据人工提取的特征进行后续的图像处理。有学者指出，深度神经网络提取的特征有时比人类设计的特征更有效。大量超声CAD模型的成果构建和优秀的诊断能力也证明了这一点。例如liu以及Shi等人将有监督的深度学习技术应用到了乳腺超声影像中，将S-DPN网络应用于两个小的乳腺超声数据集中，在加入了一些后处理方法如SVM之后最高分类准确率达到了92.4％；Han S等人利用深度卷积网络GoogLeNet CNN对5151个病人的7408张超声影像进行了乳腺超声影像的分类，实现了端对端的学习，分类准确率达到了90％，超过了人类医生。但目前这些探索大多都还着眼于二维影像的结节，对于临床实际应用场景来讲，一是基于二维图的辅助检测对临床的帮助非常有限，通常需要医生手动截图，再将图像传给服务器进行检测，而临床扫描超声的过程中，图像是在不断的变化的，所以这种检测方式不仅会打破医生的诊断流程，增加操作负担，而且医生也不可能图像变化一次就截图一次，完全无法应用于临床；二是，大多研究都仅着眼于结节的辅助检测，其他类型病灶还是需要完全靠医生，并不能有效的帮助医生提高信心及效率；三是，二维图病灶信息并不充分，超声图像经常会有某些切面的一些脂肪或血管等看起来与病灶无异，必须结合前后的影像综合判断，所以基于二维图的准确性存在天然的瓶颈，通常会有很高的假阳性。