CN113487537A - 乳腺癌超声高回声晕的信息处理方法、装置及存储介质 - Google Patents
乳腺癌超声高回声晕的信息处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113487537A CN113487537A CN202110609095.7A CN202110609095A CN113487537A CN 113487537 A CN113487537 A CN 113487537A CN 202110609095 A CN202110609095 A CN 202110609095A CN 113487537 A CN113487537 A CN 113487537A
- Authority
- CN
- China
- Prior art keywords
- gray scale
- gray
- curve
- halo
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 125000001475 halogen functional group Chemical group 0.000 title claims abstract description 99
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 44
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000010365 information processing Effects 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000002604 ultrasonography Methods 0.000 claims abstract description 51
- 210000000481 breast Anatomy 0.000 claims abstract description 34
- 230000002093 peripheral effect Effects 0.000 claims abstract description 27
- 230000003902 lesion Effects 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000000877 morphologic effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 210000004883 areola Anatomy 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000005075 mammary gland Anatomy 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000005087 leaf formation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本公开涉及一种乳腺癌超声高回声晕的信息处理方法、装置及存储介质,其中所述方法包括基于乳腺超声图像确定病灶区域;获取自所述病灶区域向所述乳腺超声图像的外周方向的灰度变化曲线;基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕。本公开实施例可实现病灶区域周围的高回声晕检测。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种乳腺癌超声高回声晕的信息处理方法、装置及存储介质。
背景技术
目前,乳腺癌是常见的恶性肿瘤,在临床中早期明确的诊断对于后期的治疗和预后至关重要,但因误诊导致治疗过度的情况也时常发生。如何更为准确的诊断和鉴别乳腺癌一直是影像医生的难点。
人工智能技术已经成为临床辅助诊断的重要方式。但是人工智能网络的稳定性问题一直存在,单纯依靠人工智能技术来执行乳腺癌诊断存在漏诊、误诊的情况,因此急需一种能够对检测出的乳腺癌病灶的超声图像进一步分析确认的方案,以减少误诊情况。
发明内容
本公开提出了一种乳腺癌超声高回声晕的信息处理方法、装置及存储介质。本公开能够确定检测出的病灶区域是否满足高回声晕条件,以此帮助减降低误诊概率。
根据本公开的一方面,提供了一种乳腺癌超声高回声晕的信息处理方法,包括:
基于乳腺超声图像确定病灶区域;
获取自所述病灶区域向所述乳腺超声图像的外周方向的灰度变化曲线;
基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕。
在一些可能的实施方式中,所述获取自所述病灶区域向所述乳腺超声图像的外周方向的灰度变化曲线,包括:
确定所述病灶区域的中心;
以所述中心为起点,向所述乳腺超声图像的外周方向进行灰度采样,得到至少一组灰度序列;
基于所述至少一组灰度序列,确定所述灰度变化曲线。
在一些可能的实施方式中,所述以所述中心为起点,向所述乳腺超声图像的外周方向进行灰度采样,得到至少一组灰度序列,包括:
按照所述中心向所述乳腺超声图像的外周方向扩展同心框;
确定以所述中心为起点且向所述外周方向的至少一条射线;
将所述射线和所述同心框的交点确定为采样点,执行灰度采样,得到所述射线对应的灰度序列。
在一些可能的实施方式中,所述基于所述至少一组灰度序列,确定所述灰度变化曲线,包括:
对所述灰度序列执行滤波处理;
对滤波处理后的灰度序列执行曲线拟合,得到所述灰度变化曲线。
在一些可能的实施方式中,所述基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕,包括:
在所述灰度变化曲线存在预设趋势的情况下,确定所述灰度变化曲线存在所述高回声晕;
其中,所述预设趋势包括从第一灰度区间升高到第二灰度区间,并从第二灰度区间下降到第三灰度区间,所述第二灰度区间的灰度值大于第三灰度区间的灰度值,以及所述第三灰度区间的灰度值大于第一灰度区间的灰度值。
在一些可能的实施方式中,在得到一组灰度变化曲线的情况下,所述基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕,还包括:
确定所述灰度变化曲线与标准高回声晕曲线之间的相似度;
在所述相似度表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕。
在一些可能的实施方式中,在得到多组灰度变化曲线的情况下,所述基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕,还包括以下方式中的至少一种:
对所述灰度变化曲线和标准高回声晕曲线之间的相似度执行加权和处理,在得到的加权和表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕;
对所述灰度变化曲线和所述执行分类聚类处理,在聚类得到的两个聚类中心之间的距离表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕。
在一些可能的实施方式中,所述方法还包括:
在所述灰度变化曲线确定所述病灶区域周围存在高回声晕的情况下,利用所述灰度变化曲线对所述病灶区域校正。
根据本公开的第二方面,提供了一种乳腺癌超声高回声晕的信息处理装置,其包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行本公开实施例中所述的乳腺癌超声高回声晕的信息处理方法。
根据本公开的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现本公开实施例中所述的乳腺癌超声高回声晕的信息处理方法。
在本公开实施例中,可以获取乳腺超声图像中的病灶区域,并以该病灶区域为基准,获得病灶区域向超声图像外周方向的灰度变化曲线,进而根据灰度变化曲线确定超声图像中是否存在高回声晕。其中,高回声晕的存在可以用作病灶检测的准确性参考,本公开实施例的方案可以减少病灶的误诊情况。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的乳腺癌超声高回声晕的信息处理方法的流程图;
图2示出本公开实施例中对于原始图像的利用滑动窗口进行灰度共生矩阵计算示意图,图中左侧矩阵为滑动前,右侧矩阵滑动窗口向右滑动一个像素;
图3示出根据本公开实施例中确定灰度变化曲线的流程图;
图4示出根据本公开实施了中同心框的示意图;
图5示出根据本公开实施例的乳腺癌超声高回声晕的信息处理装置的框图;
图6示出根据本公开实施例的一种电子设备800的框图;
图7示出根据本公开实施例的另一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
乳腺癌超声高回声晕的信息处理方法的执行主体可以是图像处理装置或者信息处理方法,例如,该方法可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了乳腺癌超声高回声晕的信息处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种乳腺癌超声高回声晕的信息处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图1示出根据本公开实施例的乳腺癌超声高回声晕的信息处理方法的流程图,如图1所示,所述方法包括:
S10:基于乳腺超声图像确定病灶区域;
在一些可能的实施方式中,可以利用医生手动标注的方式或者算法辅助的方式确定乳腺超声图像中的病灶区域,该病灶区域可以为乳腺癌病灶所在区域。
本公开实施例的病灶区域可以为圆形或者方形,本公开对此不做具体限定。
S20:获取自所述病灶区域向所述乳腺超声图像的外周方向的灰度变化曲线;
在一些可能的实施方式中,在得到病灶区域的情况下,可对病灶区域及其周围的灰度变化进行分析,得到灰度变化曲线。
S30:基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕。
在一些可能的实施方式中,在得到灰度变化曲线的情况下,可以进一步确定该灰度变化曲线中是否表示超声图像中病灶区域附近存在高回声(高回声晕)。在存在高回声晕的情况下,表示病灶检测正确,病灶区域对应为乳腺癌,在不存在高回声晕的情况下,表示病灶检测不准确,病灶区域不是乳腺癌。
下面结合附图,对本公开实施例进行详细说明。
首先可以获取乳腺超声图像,其中可以与超声仪器连接用于接收该超声图像,也可以通过从数据库、服务器或者其他电子设备读取超声图像,本公开对此不做具体限定。
在获得超声图像的情况下,可以对超声图像执行病灶检测,检测出超声图像中乳腺癌的病灶区域。其中可以接收用户(医生)输入的框选信息确定病灶区域。或者也可以通过人工智能的方式检测出该病灶区域。
具体地,可以首先执行超声图像的特征提取得到影像特征,并利用分类器执行分类处理,得到超声图像中的病灶区域和正常区域。
本公开引入基于语义可解释的乳腺癌的超声图像处理方法执行影像特征的提取,通过对图像的特征以及深度学习的解释,满足辅助鉴别对临床实用过程中对输出结果的解释,增强医生的可理解性。其基本思想,是通过提取图像灰度共生矩阵、纹理特征、形态特征,与深度学习的可解释方法生成的特征图相结合,利用低秩回归模型将深度学习不可解释的抽象特征映射到可解释的语义特征空间,在可解释的语义特征空间中,依据各特征的重要程度,进行可解释的乳腺癌超声辅助鉴别。具体内容包含:
第一步,对乳腺的超声图像提取可解释特征,其中包括:提取所述超声图像的灰度共生矩阵和纹理特征,提取了多个形态特征,所述形态特征和BI-RADS描述的特征相同或相似,所述形态特征表征了肿瘤的形状、方位、边界及内部纹理特征;
结合图2,第一步的具体步骤如下:
1.1、对所述超声图像提取灰度共生矩阵,具体为:通过分析灰度分布在空间位置上反复交替变化的特性来描述纹理,包括对于以矩阵形式表示的图像,基于给定方向θ和步长d,确定灰度共生矩阵中(i,j)位置的值为沿着θ方向,相距为d的一个像素值为i一个像素值为j的像素对出现的频数,以计算所述超声图像在方向、间隔、变化幅度及快慢上的综合信息,其中,θ为0°,45°,90°或135°方向。
1.2、基于所述超声图像提取像素灰度和梯度的灰度梯度共生矩阵,图像的灰度梯度共生矩阵是图像灰度像素和图像梯度大小的联合分布,图像的梯度通过各种微分算子获取,用于检验出了所述超声图像中灰度跳变的部分。两者的融合能够帮助发现图像纹理排列和像素变化的信息。
1.3、对乳腺的超声图像提取纹理特征,以定量描述所述超声图像中的信息,其中包括从所述超声图像中提取灰度标准差、能量、灰度熵值、灰度均值、相关性等5个特征。
1.4、对乳腺的超声图像提取形态特征,以描述肿瘤的形状、方位、边界及内部纹理特征,其中包括描述肿瘤的似圆度、纵横比、和皮肤的生长角度、成叶、边缘粗糙度、边缘针刺化、内部钙化数、边境模糊度等。
第二步,对超声图像的抽象特征提取,其中包括:利用深度神经网络,使用回归算法,学习出每一个卷积核对应提取的特征,构成特征图,用特征图的全局均值代表该特征图,将最后一层卷积层形成的特征图均值向量作为抽象特征向量。
2.1、利用深度神经网络对超声图像的抽象特征提取,其中包括可以使用但不限于利用CAM和/或Grad-CAM方法对所述超声图像的抽象特征提取。
第三步,针对所述可解释特征和所述抽象特征,通过语义低秩回归算法计算得到不同特征在映射过程中权重系数矩阵W,选择权重高于预设值的具象特征用来解释深度学习判别模型中关注的信息,所述信息用于在对乳腺癌超声图像进行辅助判别时,提高特征测试模型的可信任度。
3.1、通过语义低秩回归算法对所述抽象特征进行提取,找出对乳腺癌超声图像辅助判别起到重要作用的特征,以提高所述抽象特征的可信任度。这里低秩回归算法,定义抽象特征所述抽象特征的输入数据,xt是对应第t(1≤t≤N)个样本深度学习抽象特征,d是抽象特征维度,设为所述语义低秩回归算法的输出的可解释特征,c是可解释特征的维度,yt是第t个样本的对应的可解释特征,所述语义低秩回归算法的回归模型的数学描述式:
其中,第一项表示映射损失的l2范数,l2范数表示了抽象特征经过映射矩阵后和具象特征之间的差异度,差异度越大,损失越大,映射矩阵的表现也就越差。θ是正则惩罚系数,用来正则低秩惩罚项RankW,由于不同样本的深度学习抽象的特征一般会存在相互关联,根据这种先验知识,W矩阵的秩应该是低的,由秩的近似理论,这里需要使用矩阵的迹对矩阵的秩进行近似,TrW是矩阵的迹,可以定义为:
σi是W的第i个奇异值,WT是W的转置。
权重系数矩阵W是映射过程中的权重,具体为计算具象特征在执行N个样本映射操作中的综合计算得到的总权重,其中,具象特征在样本集X上对判别器的影响程度为:
计算得到的W′,选择权重较高的具象特征用来解释深度学习判别模型中高度关注的信息,这些信息用于提高特征测试模型的可信任度。
本申请实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有可执行程序,所述处理器执行所述可执行程序,以实现如下步骤:
第一步,对乳腺的超声图像提取可解释特征,其中包括:提取所述超声图像的灰度共生矩阵和纹理特征,并提取多个形态特征,所述形态特征和BI-RADS描述的特征相同或相似,所述形态特征表征了肿瘤的形状、方位、边界及内部纹理特征;
第二步,对所述超声图像抽象特征提取,其中包括:利用深度神经网络,使用回归算法,学习出每一个卷积核对应提取的特征,构成特征图,用特征图的全局均值代表该特征图,将最后一层卷积层形成的特征图均值向量作为抽象特征向量;
第三步,针对所述可解释特征和所述抽象特征,通过语义低秩回归算法计算得到不同特征在映射过程中权重系数矩阵W,选择权重高于预设值的具象特征用来解释深度学习判别模型中关注的信息,所述信息用于在对乳腺癌超声图像进行辅助判别时,提高特征测试模型的可信任度。
通过上述配置可以得到超声图像的影像特征,将得到的特征信息输入到分类器(至少一层卷积层)中,得到病灶区域的位置。本公开可以利用乳腺癌超声图像的灰度共生矩阵、纹理特征、形态特征,以及使用回归算法对深度学习方式的特征进行提取,构成特征图,用特征图的全局均值代表该特征图。最后使用低秩回归算法计算得到不同特征在图像判别中的重要度,实现对乳腺癌超声图像辅助判别的可解释度,并具备与临床特征相符合的语义含义。针对现有超声乳腺辅助鉴别技术中存在的输出结果不具有医学可解释性问题,本方法解决了深度学习方法进行乳腺癌超声辅助判别时输出结果不可解释,提高临床上的可信任性。实现在利用深度学习方法提高判别效果的同时,有针对性的对特征进行选取,并对结果具备语义解释判别过程,建立医生知识和计算机算法知识之间的桥梁,帮助医生理解和接受分类结果。将深度学习方法决策过程和输出结果与循证医学理念之间的一致,推进深度学习算法在乳腺肿瘤诊断上的应用。
在得到病灶区域的情况下,可以对病灶区域周围的灰度情况进行分析,得到灰度变化曲线。
图3示出根据本公开实施例中确定灰度变化曲线的流程图,所述获取自所述病灶区域向所述乳腺超声图像的外周方向的灰度变化曲线,包括:
S21:确定所述病灶区域的中心;
S22:以所述中心为起点,向所述乳腺超声图像的外周方向进行灰度采样,得到至少一组灰度序列;
S23:基于所述至少一组灰度序列,确定所述灰度变化曲线。
在一些可能的实施方式中,在病灶区域为圆形框的情况下,将病灶区域的圆心确定为中心,在病灶区域为方形框的情况下,将病灶区域的对角线交点确定为中心。在病灶区域为其他形状时,将病灶区域的几何中心确定为中心。
在确定中心的情况下,可以将病灶区域的中心确定为灰度变化的起点,按照预设方向,向乳腺超声图像的外周方向进行灰度采样,每个方向上至少可以得到一组灰度采样值,构成灰度序列。
具体地,在本公开实施例中,所述以所述中心为起点,向所述乳腺超声图像的外周方向进行灰度采样,得到至少一组灰度序列,包括:按照所述中心向所述乳腺超声图像的外周方向扩展同心框;确定以所述中心为起点且向所述外周方向的至少一条射线;将所述射线和所述同心框的交点确定为采样点,执行灰度采样,得到所述射线对应的灰度序列。
结合图4,图4示出根据本公开实施了中同心框的示意图,其中,本文中通过图4所表征的超声图像作为示例进行说明,主要对本文中各实施例的同心框进行重点说明。由此,可以假定图中A点为中心的同心框(图中以同心圆示例说明)标识了乳腺超声图像识别出的病灶区域及周边(例如乳腺癌病灶、乳腺肿瘤区域等),将病灶区域的中心A点作为灰度变化曲线的起始点,在病灶区域的外周向外不断地扩展同心框,直至到达超声影像汇中乳腺区域的边界。其中,同心框可以为圆形,也可以为方形,具体可以根据需求设定。各同心框之间的间隔距离可以为预先设定的距离值,其可以为小于病灶区域的长度的一半的数值。
在确定同心框的情况下,以中心作为起点,向超声影像的外部方向做至少一条射线,如本公开实施例中,该射线可以为水平向右的射线,或者也可以是位于经过A点的竖直线的右侧方向上的射线,本公开实施例中,获得的射线可以是一条,也可以是多条,在射线为一条的情况下,该摄像优选水平向右的射线,在射线为多条的情况下,可以按照180度与射线条数之间的商确定相邻两条射线之间的角度,进而使得各射线均匀分布在病灶中心的右侧区域。
在得到至少一条射线的情况下,可以利用各射线与同心框之间的交点对应的灰度值,确定射线对应的灰度序列(如图4中的A、B、C、D、E、F、G、H、I、J、K、L对应灰度值形成的灰度序列)。基于上述,本公开实施例可以得到至少一组灰度序列。
在一些可能的实施方式中,在得到灰度序列的情况下,可以对灰度序列进行曲线拟合得到灰度变化曲线。本公开实施例中,所述基于所述至少一组灰度序列,确定所述灰度变化曲线,包括:对所述灰度序列执行滤波处理;对滤波处理后的灰度序列执行曲线拟合,得到所述灰度变化曲线。
本公开实施例可以移动均值滤波的方式对灰度序列执行滤波处理,减少噪声影响,进而对滤波后的灰度序列执行最小二乘法的拟合处理,得到灰度变化曲线。
由于在乳腺癌病灶周围会存在高回声,本公开实施例可以基于灰度变化曲线确定是否存在高回声的情况。本公开实施例中,可以在所述灰度变化曲线存在预设趋势的情况下,确定所述灰度变化曲线存在所述高回声晕;其中,所述预设趋势包括从第一灰度区间升高到第二灰度区间,并从第二灰度区间下降到第三灰度区间,所述第二灰度区间的灰度值大于第三灰度区间的灰度值,以及所述第三灰度区间的灰度值大于第一灰度区间的灰度值。其中,第二灰度区间相对于第一灰度区间和第二灰度区间为高回声区。
另外,本公开实施例中,还可以获得标准高回声曲线,并根据灰度变化曲线与标准高回声曲线之间的相似程度,确定是否存在高回声晕,其中标准高回声曲线满足上述预设趋势。具体地,本公开实施例可以首先获得确定的标准高回声曲线,进而执行曲线相似度判断。其中,确定所述标准高回声晕曲线的方法,包括:获取确定为存在乳腺癌病灶的多组超声影像;针对每组超声影像,获取水平向右方向上,自所述乳腺癌病灶区域向所述超声图像的外周方向的灰度变化曲线;对所述灰度变化曲线执行均值处理,得到所述标准高回声晕曲线。
本公开实施例,由于水平向右(朝向乳晕的水平方向)的方向上可以全面的体现病灶区域以及病灶区域周围的灰度变化,本公开实施例可以采集大量(一万幅以上)乳腺癌影像的该方向上的灰度变化曲线,执行曲线拟合,得到标准高回声晕曲线,保证曲线变化的准确性。或者,本公开实施例中,也可以采集多个方向上的灰度变化曲线,执行拟合得到标准灰度曲线,本公开对此不做具体限定。
本公开实施例中,在得到一组灰度变化曲线的情况下,所述基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕,包括:确定所述灰度变化曲线与标准高回声晕曲线之间的相似度;在所述相似度表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕。
如上述实施例所述,得到的射线可以为一条,对应的灰度变化曲线为一组。此时可以将灰度变化曲线与预先得到的乳腺癌对应的标准高回声晕曲线进行对比,确定两者的相似度。其中可以利用两条曲线之间的距离确定灰度变化曲线和标准高回声晕曲线之间的相似度,其中该距离可以为欧式距离、离散弗雷歇距离,本公开对此不做具体限定。
在得到灰度变化曲线与标准高回声晕曲线之间的相似度的情况下,可以基于该相似度确定灰度变化曲线是否存在高回声晕。其中,在该相似度大于相似度阈值的情况下,确定为二者相似,即灰度变化曲线中存在高回声晕,否则不存在高回声晕。相似度阈值可以为大于或者等于0.6且小于1的数值。
在本公开的另一些实施方式中,在得到多组灰度变化曲线的情况下,所述基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕,包括以下方式中的至少一种:
A)对所述灰度变化曲线和标准高回声晕曲线之间的相似度执行加权和处理,在得到的加权和表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕;
本公开实施例中,在得到多条射线时,对应的也得到多组灰度序列和灰度变化曲线。由于每条灰度变化曲线对应射线方向存在差异,得到的灰度序列中的灰度值也就存在差异。本公开实施例为了提高灰度变化曲线的准确度,融合各射线的灰度变化规律,其中可以为每条射线分配相应的权重,利用各射线的灰度变化曲线的加权和得到最终的灰度变化曲线。
其中,各射线的权重加和为1,且水平向右的射线的权重最大,竖直方向上的射线权重最小,靠近水平方向的射线的权重大于靠近竖直方向上的射线的权重。
利用各灰度曲线和对应的权重之间的乘积的相加结果得到加权和灰度曲线,利用该加权和灰度曲线与标准高回声晕曲线之间的相似度,确定是否存在高回声晕。
B)对所述灰度变化曲线和所述执行分类聚类处理,在聚类得到的两个聚类中心之间的距离表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕。
另外,在本公开实施例中,在得到各灰度变化曲线的情况下,还可以对灰度变化曲线和标准高回声灰度曲线执行曲线特征提取和聚类处理,其中,可以对各灰度变化曲线执行特征提取得到曲线特征,其中曲线特征可以包括灰度变化曲线上的灰度序列,相邻采样点之间的斜率。针对每条灰度变化曲线和标准高回声晕曲线得到的曲线特征可以表示为特征向量。进而可以执行特征向量的聚类处理,本公开实施例可以利用均值聚类的方式,将特征向量聚类为两类,并得到两类的聚类中心。
如果灰度变化曲线中存在高回声晕,则两类聚类中心之间的距离会非常接近,本公开实施例可以在聚类中心之间的距离大于距离阈值的情况下,确定为灰度变化曲线与标准高回声晕曲线相似,其中存在高回声晕。本公开实施例的距离阈值为小于0.3cm的数值,但不作为本公开的具体限定。
本公开实施例中,在确定病灶区域周围存在高回声晕时,确定为病灶对应为乳腺癌,此时可以利用多条灰度变化曲线对对所述病灶区域校正。
具体地,本公开实施例中,可以利用全部灰度曲线在第一灰度区间向第二灰度区间变化的像素点,作为病灶区域的边界点,利用更新的边界点连接的区域,确定校正后的病灶区域。
基于上述配置,在本公开实施例可以获取乳腺超声图像中的病灶区域,并以该病灶区域为基准,获得病灶区域向超声图像外周方向的灰度变化曲线,进而根据灰度变化曲线确定超声图像中是否存在高回声晕。其中,高回声晕的存在可以用作病灶检测的准确性参考,本公开实施例的方案可以减少病灶的误诊情况。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图5示出根据本公开实施例的乳腺癌超声高回声晕的信息处理装置的框图,如图5所示,所述乳腺癌超声高回声晕的信息处理装置包括:
第一确定模块,用于基于乳腺超声图像确定病灶区域;
获取模块,用于获取自所述病灶区域向所述乳腺超声图像的外周方向的灰度变化曲线;
第二确定模块,用于基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕。
在一些可能的实施方式中,所述获取模块还用于:确定所述病灶区域的中心;以所述中心为起点,向所述乳腺超声图像的外周方向进行灰度采样,得到至少一组灰度序列;
基于所述至少一组灰度序列,确定所述灰度变化曲线。
在一些可能的实施方式中,所述获取模块还用于按照所述中心向所述乳腺超声图像的外周方向扩展同心框;确定以所述中心为起点且向所述外周方向的至少一条射线;将所述射线和所述同心框的交点确定为采样点,执行灰度采样,得到所述射线对应的灰度序列。
在一些可能的实施方式中,所述基于所述至少一组灰度序列,确定所述灰度变化曲线,包括:对所述灰度序列执行滤波处理;对滤波处理后的灰度序列执行曲线拟合,得到所述灰度变化曲线。
在一些可能的实施方式中,所述第二确定模块还用于,
在所述灰度变化曲线存在预设趋势的情况下,确定所述灰度变化曲线存在所述高回声晕;
其中,所述预设趋势包括从第一灰度区间升高到第二灰度区间,并从第二灰度区间下降到第三灰度区间,所述第二灰度区间的灰度值大于第三灰度区间的灰度值,以及所述第三灰度区间的灰度值大于第一灰度区间的灰度值。
在一些可能的实施方式中,所述第二确定模块还用于,在得到一组灰度变化曲线的情况下,所述基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕,还包括:
确定所述灰度变化曲线与标准高回声晕曲线之间的相似度;
在所述相似度表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕。
在一些可能的实施方式中,所述第二确定模块还用于,在得到多组灰度变化曲线的情况下,所述基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕,还包括以下方式中的至少一种:
对所述灰度变化曲线和标准高回声晕曲线之间的相似度执行加权和处理,在得到的加权和表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕;
对所述灰度变化曲线和所述执行分类聚类处理,在聚类得到的两个聚类中心之间的距离表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕。
在一些可能的实施方式中,所述装置还包括:
校正模块,用于在所述灰度变化曲线确定所述病灶区域周围存在高回声晕的情况下,利用所述灰度变化曲线对所述病灶区域校正。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的另一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种乳腺癌超声高回声晕的信息处理方法,其特征在于,包括:
基于乳腺超声图像确定病灶区域;
获取自所述病灶区域向所述乳腺超声图像的外周方向的灰度变化曲线;
基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕。
2.根据权利要求1所述的方法,其特征在于,所述获取自所述病灶区域向所述乳腺超声图像的外周方向的灰度变化曲线,包括:
确定所述病灶区域的中心;
以所述中心为起点,向所述乳腺超声图像的外周方向进行灰度采样,得到至少一组灰度序列;
基于所述至少一组灰度序列,确定所述灰度变化曲线。
3.根据权利要求2所述的方法,其特征在于,所述以所述中心为起点,向所述乳腺超声图像的外周方向进行灰度采样,得到至少一组灰度序列,包括:
按照所述中心向所述乳腺超声图像的外周方向扩展同心框;
确定以所述中心为起点且向所述外周方向的至少一条射线;
将所述射线和所述同心框的交点确定为采样点,执行灰度采样,得到所述射线对应的灰度序列。
4.根据权利要求2或3所述的方法,其特征在于,所述基于所述至少一组灰度序列,确定所述灰度变化曲线,包括:
对所述灰度序列执行滤波处理;
对滤波处理后的灰度序列执行曲线拟合,得到所述灰度变化曲线。
5.根据权利要求1所述的方法,其特征在于,所述基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕,包括:
在所述灰度变化曲线存在预设趋势的情况下,确定所述灰度变化曲线存在所述高回声晕;
其中,所述预设趋势包括从第一灰度区间升高到第二灰度区间,并从第二灰度区间下降到第三灰度区间,所述第二灰度区间的灰度值大于第三灰度区间的灰度值,以及所述第三灰度区间的灰度值大于第一灰度区间的灰度值。
6.根据权利要求5所述的方法,其特征在于,在得到一组灰度变化曲线的情况下,所述基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕,还包括:
确定所述灰度变化曲线与标准高回声晕曲线之间的相似度;
在所述相似度表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕。
7.根据权利要求5或6所述的方法,其特征在于,在得到多组灰度变化曲线的情况下,所述基于所述灰度变化曲线确定所述病灶区域周围是否存在高回声晕,还包括以下方式中的至少一种:
对所述灰度变化曲线和标准高回声晕曲线之间的相似度执行加权和处理,在得到的加权和表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕;
对所述灰度变化曲线和所述执行分类聚类处理,在聚类得到的两个聚类中心之间的距离表示所述灰度变化曲线与标准高回声晕曲线为相似曲线的情况下,确定所述病灶区域周围存在高回声晕。
8.根据权利要求1所述的方法,其特征在于,还包括:
在所述灰度变化曲线确定所述病灶区域周围存在高回声晕的情况下,利用所述灰度变化曲线对所述病灶区域校正。
9.一种乳腺癌超声高回声晕的信息处理装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1-8中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609095.7A CN113487537A (zh) | 2021-06-01 | 2021-06-01 | 乳腺癌超声高回声晕的信息处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609095.7A CN113487537A (zh) | 2021-06-01 | 2021-06-01 | 乳腺癌超声高回声晕的信息处理方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487537A true CN113487537A (zh) | 2021-10-08 |
Family
ID=77934257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110609095.7A Pending CN113487537A (zh) | 2021-06-01 | 2021-06-01 | 乳腺癌超声高回声晕的信息处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487537A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5984870A (en) * | 1997-07-25 | 1999-11-16 | Arch Development Corporation | Method and system for the automated analysis of lesions in ultrasound images |
KR20070037804A (ko) * | 2005-10-04 | 2007-04-09 | 주식회사 메디슨 | 초음파 진단장치 및 이를 이용한 초음파영상 디스플레이방법 |
CN102133109A (zh) * | 2010-01-25 | 2011-07-27 | 安克生医股份有限公司 | 肿瘤特征的量化方法及影像化方法 |
CN108030514A (zh) * | 2017-12-11 | 2018-05-15 | 飞依诺科技(苏州)有限公司 | 超声三维胎儿成像方法及*** |
CN109598702A (zh) * | 2018-10-30 | 2019-04-09 | 南方医科大学南方医院 | 对比增强能谱乳腺x线摄影的病灶特征量化方法及*** |
CN111528907A (zh) * | 2020-05-07 | 2020-08-14 | 万东百胜(苏州)医疗科技有限公司 | 一种超声影像肺炎辅助诊断方法及*** |
-
2021
- 2021-06-01 CN CN202110609095.7A patent/CN113487537A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5984870A (en) * | 1997-07-25 | 1999-11-16 | Arch Development Corporation | Method and system for the automated analysis of lesions in ultrasound images |
KR20070037804A (ko) * | 2005-10-04 | 2007-04-09 | 주식회사 메디슨 | 초음파 진단장치 및 이를 이용한 초음파영상 디스플레이방법 |
CN102133109A (zh) * | 2010-01-25 | 2011-07-27 | 安克生医股份有限公司 | 肿瘤特征的量化方法及影像化方法 |
CN108030514A (zh) * | 2017-12-11 | 2018-05-15 | 飞依诺科技(苏州)有限公司 | 超声三维胎儿成像方法及*** |
CN109598702A (zh) * | 2018-10-30 | 2019-04-09 | 南方医科大学南方医院 | 对比增强能谱乳腺x线摄影的病灶特征量化方法及*** |
CN111528907A (zh) * | 2020-05-07 | 2020-08-14 | 万东百胜(苏州)医疗科技有限公司 | 一种超声影像肺炎辅助诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
付贵山: "深度学习乳腺超声图像分类器及其可解释性研究", 万方学位论文, 17 January 2020 (2020-01-17) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785565B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN109871883B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
TWI770754B (zh) | 神經網路訓練方法及電子設備和儲存介質 | |
JP7089106B2 (ja) | 画像処理方法及び装置、電子機器、コンピュータ読取可能記憶媒体及びコンピュータプログラム | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
WO2022036972A1 (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN106228556B (zh) | 图像质量分析方法和装置 | |
US20190188460A1 (en) | Method and device for use in hand gesture recognition | |
JP2022535219A (ja) | 画像分割方法及び装置、電子機器並びに記憶媒体 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111243011A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN113222038B (zh) | 基于核磁图像的乳腺病灶分类和定位方法及装置 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
WO2023050691A1 (zh) | 图像处理方法及装置、电子设备、存储介质和程序 | |
CN113012816B (zh) | 脑分区风险预测方法及装置、电子设备和存储介质 | |
CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
CN113012146B (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
CN112967264A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN111652107B (zh) | 对象计数方法及装置、电子设备和存储介质 | |
WO2023050690A1 (zh) | 图像处理方法、装置、电子设备、存储介质和程序 | |
CN113902730A (zh) | 图像处理和神经网络训练方法及装置 | |
JP2022548453A (ja) | 画像分割方法及び装置、電子デバイス並びに記憶媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |