CN117481672A - 一种乳腺组织硬化初期快速筛查智能方法 - Google Patents
一种乳腺组织硬化初期快速筛查智能方法 Download PDFInfo
- Publication number
- CN117481672A CN117481672A CN202311390918.7A CN202311390918A CN117481672A CN 117481672 A CN117481672 A CN 117481672A CN 202311390918 A CN202311390918 A CN 202311390918A CN 117481672 A CN117481672 A CN 117481672A
- Authority
- CN
- China
- Prior art keywords
- image
- breast
- preset
- data
- features
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012216 screening Methods 0.000 title claims abstract description 30
- 210000000481 breast Anatomy 0.000 claims abstract description 310
- 208000034189 Sclerosis Diseases 0.000 claims abstract description 41
- 238000012706 support-vector machine Methods 0.000 claims abstract description 40
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 238000003384 imaging method Methods 0.000 claims abstract description 19
- 238000012106 screening analysis Methods 0.000 claims abstract description 12
- 230000002708 enhancing effect Effects 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 210000001519 tissue Anatomy 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 55
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 16
- 238000003709 image segmentation Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 241000728173 Sarima Species 0.000 claims description 7
- 230000017531 blood circulation Effects 0.000 claims description 7
- 210000005075 mammary gland Anatomy 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 230000010287 polarization Effects 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000008485 antagonism Effects 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 4
- 239000005304 optical glass Substances 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000001459 lithography Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 229920000642 polymer Polymers 0.000 claims description 2
- 239000010453 quartz Substances 0.000 claims description 2
- 238000000427 thin-film deposition Methods 0.000 claims description 2
- 230000003902 lesion Effects 0.000 description 18
- 238000002604 ultrasonography Methods 0.000 description 12
- 208000026310 Breast neoplasm Diseases 0.000 description 11
- 230000001976 improved effect Effects 0.000 description 10
- 206010006272 Breast mass Diseases 0.000 description 9
- 238000000554 physical therapy Methods 0.000 description 8
- 238000002834 transmittance Methods 0.000 description 8
- 206010006187 Breast cancer Diseases 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 208000030270 breast disease Diseases 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007736 thin film deposition technique Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/485—Diagnostic techniques involving fluorescence X-ray imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
- A61B8/5261—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image combining images from different diagnostic modalities, e.g. ultrasound and X-ray
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
- G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供一种乳腺组织硬化初期快速筛查智能方法，包括：采用单一模式的成像技术进行乳腺硬化初期筛查，从中获得高分辨率的图像数据；使用带通滤波器选择性地透过预设范围内波长的荧光，减少不同波长之间的干扰；对图像数据使用自动编码器模型，对对比度低于预设对比度和亮度低于预设亮度的区域进行增强；获取多个单一模式成像后经过增强的图像数据，融合生成多模态图像的医学图像数据；获取经过时间分辨处理后的图像数据，进行乳腺硬化的筛查分析；根据修复和校正后的乳腺图像，再次进行筛查分析，判断乳腺硬化部位是否为易病变部位；若医院诊断结果为无乳腺硬化和肿块，将数据输入支持向量机，对支持向量机进行调整。
Description
技术领域
本发明涉及信息技术领域，尤其涉及一种乳腺组织硬化初期快速筛查智能方法。
背景技术
随着乳腺硬化发病率的增加，及时对乳腺疾病进行发现并干预变得越来越重要，但是目前对乳腺硬化初期筛查的准确性和可靠性还存在着不少问题。对乳腺硬化初期筛查的准确性和可靠性受限于乳腺图像的质量，如果图像分辨率不高或者存在噪声问题，可能导致难以准确识别和区分乳腺硬化的早期迹象。乳腺图像的解读通常由医生进行，其准确性和主观性都会对筛查结果产生影响，乳腺硬化的表现形式多样，医生的经验和训练程度直接影响着他们对图像中潜在病变的识别和评估。早期乳腺硬化病变通常在图像上显得模糊不清，边界不明确，与周围正常组织的对比度低，这增加了对乳腺硬化初期的准确识别的挑战，一些病变区域可能存在噪声干扰，导致病变检出率较低。不同模态之间的差异和干扰可能导致图像融合困难，难以获得理想的结果。乳腺硬化的演变过程需要关注不同时间点的变化，目前的方法往往只关注单个时间点的医学图像，而忽略了时间分辨处理的重要性，无法全面了解病变的发展过程，而且对诊疗效果的判断也只是依靠单个时间点的医学图像，不能根据时间变化判断理疗效果。另外，如果只依靠图像数据进行乳腺硬化筛查，容易产生误诊，需要结合其他传感器进行综合考虑。
发明内容
本发明提供了一种乳腺组织硬化初期快速筛查智能方法，主要包括：
采用单一模式的成像技术进行乳腺硬化初期筛查，从中获得高分辨率的图像数据；使用带通滤波器选择性地透过预设范围内波长的荧光，减少不同波长之间的干扰；对图像数据使用自动编码器模型，对对比度低于预设对比度和亮度低于预设亮度的区域进行增强；获取多个单一模式成像后经过增强的图像数据，融合生成多模态图像的医学图像数据；获取不同的时间点的已融合为多模态的医学图像，进行时间分辨处理，生成带有时间序列的医学图像；获取经过时间分辨处理后的图像数据，进行乳腺硬化的筛查分析；获取判断存在乳腺硬化的样本图像，分析是否存在某一区域的医学图像分辨率低于预设分辨率或亮度超出预设亮度，并对存在问题的区域进行修复和亮度校正；根据修复和校正后的乳腺图像，再次进行筛查分析，判断乳腺硬化部位是否为易病变部位；若医院诊断结果为无乳腺硬化和肿块，将数据输入支持向量机，对支持向量机进行调整。
进一步可选的，所述采用单一模式的成像技术进行乳腺硬化初期筛查，从中获得高分辨率的图像数据，包括：
使用数字X射线设备对乳腺进行成像，患者在站立或坐着的姿势下，将***逐一压在平坦的X射线平台上，进行摄影，图像数据会显示***的不同角度；提取图像中每个像素点的灰度值，根据灰度值，判断乳腺组织的密度和组织类型；获取图像中乳腺组织的纹理特征，包括颗粒、纹线或斑点，以及乳腺组织的形状特征，包括肿块的轮廓、大小和形状；统计图像数据中不同密度区域的分布和乳腺组织的血流灌注情况，包括血管的位置、数量和血流速度；将提取的细节特征与已知的乳腺硬化特征进行对比，并基于特征对比结果，判断是否存在乳腺硬化，并输出图像中乳腺硬化区域的位置和范围。
进一步可选的，所述使用带通滤波器选择性地透过预设范围内波长的荧光，减少不同波长之间的干扰，包括：
根据应用需求和样品的荧光特性，确定所需的中心波长和带宽，选择具有透过率高于预设透过率和阻挡率高于预设阻挡率的带通滤波器；根据所需的波长范围，选择具有均匀透过特性的滤波器；根据荧光信号的偏振态，选择具有不同偏振特性的滤波器，选择性地透过不同偏振态的光线，并阻挡其他偏振态的光线；根据应用需求和所选的滤波器属性，选择衬底材料，包括光学玻璃、石英或聚合物；根据所选的滤波器属性和材料，确定制造工艺，包括光学薄膜沉积、光刻和光学加工；验证滤波器的性能，并根据需要进行调整和优化，将带通滤波器整合到相应的设备中进行实际应用和性能评估。
进一步可选的，所述对图像数据使用自动编码器模型，对对比度低于预设对比度和亮度低于预设亮度的区域进行增强，包括：
使用直方图法对输入图像进行分析，检测出对比度低于预设对比度和亮度低于预设亮度区域；将图像输入自动编码器模型的编码器部分，提取出对比度低于预设对比度和亮度低于预设亮度区域的特征表示；对提取的特征进行增强处理，提高对比度低于预设对比度和亮度低于预设亮度的可见度和清晰度；使用自动编码器模型的解码器部分将增强后的特征表示映射回图像空间，生成增强后的图像；使用训练数据集对自动编码器模型进行训练，优化模型参数；通过调整重构损失函数的权重，优化自动编码器模型的重构能力；通过验证集的反馈，调整自动编码器模型的超参数，包括学习率、批量大小、隐藏层维度；使用评估指标SSIM对增强后的图像进行评估，判断自动编码器模型在对比度低于预设对比度和亮度低于预设亮度区域增强任务上的性能。
进一步可选的，所述获取多个单一模式成像后经过增强的图像数据，融合生成多模态图像的医学图像数据，包括：
获取多个单一模式成像的原始数据，包括X射线、磁共振成像、超声波图像；对每个单模式图像数据进行增强处理，包括去噪、增强对比度；通过基于特征点匹配、变换模型进行图像配准，调整图像的位置和尺度，将图像对齐到一个共同的坐标***；使用ResNet-18提取每个单模式图像的特征，采用加权平均、特征级联，对提取的特征进行融合，获取多模态特征的统一表示；使用融合后的多模态特征，结合生成对抗网络进行模态重建，生成多模态医学图像数据；对生成的多模态医学图像数据进行图像分割，对与正常形态医学图像数据偏差大于预设偏差值的区域进行标注；对生成的多模态医学图像数据进行质量评估和验证，包括与真实数据的比较、专家的主观评价；还包括：根据不同模态图像之间的关联和特征表示，使用生成对抗网络融合多模态图像；将获取的***多模态融合医学图像进行图像分割，并与正常图像进行对比，标注出差异值大于预设差异值的区域。
所述根据不同模态图像之间的关联和特征表示，使用生成对抗网络融合多模态图像，具体包括：
获取不同模态图像的原始数据，包括X射线图像、磁共振成像图像和超声波图像。确保数据的质量和准确性，进行预处理操作，包括去噪和归一化。设计一个生成对抗网络架构，包括生成器和判别器，生成器将输入的多模态特征向量转化为融合的多模态图像，判别器用于评估生成图像的真实性。对于不同模态的图像数据，通过ResNet-18提取特征，将每个模态的特征编码为低维特征向量，保留对应模态的关键信息。将不同模态的特征向量输入到生成器中，使用加权平均在生成器中进行多模态特征的融合。使用以下公式进行特征的加权平均融合，F_fused＝w1*F1+w2*F2+w3*F3，其中，F_fused表示融合后的特征向量，F1、F2、F3分别表示不同模态的特征向量，w1、w2、w3表示对应模态特征的权重，权重根据不同模态的重要性和数据集的特点进行设置生成器学习特征映射和模态之间的语义对应关系，根据融合的多模态特征向量，生成融合图像。判别器通过对生成的图像进行分类，分类包括真实图像和合成图像，根据判别器的反馈，生成器进行相应的优化，提高生成图像的质量。使用对抗性损失函数评估生成图像的质量和与真实图像的一致性，若对抗性损失函数小于预设对抗性损失函数，判定为一致。使用训练数据对生成对抗网络模型进行训练，根据结构相似性指数和专家的反馈对模型进行调优。
所述将获取的***多模态融合医学图像进行图像分割，并与正常图像进行对比，标注出差异值大于预设差异值的区域，具体包括：
经过患者同意后，获取***的多模态融合医学图像数据，对数据进行预处理，包括图像配准、归一化。对多模态医学图像使用边缘检测和纹理分析进行特征提取，使用K-means算法，根据医学图像的特征，将医学图像分为两类，包括异常图像与正常图像。使用canny算子对多模态医学图像进行分割，将图像分成不同的区域或者像素。将异常图像分割结果与正常图像进行对比，使用欧氏距离计算每个像素的差异值。根据预设的差异值阈值，确定差异值大于预设差异值的区域。通过阈值分割标注差异值大于预设差异值的区域，将其提取出来或者用颜色或标签进行标注。将标注出的差异区域进行可视化展示，使用彩色标注或者边界框方式突出显示，提供给医生进行诊断。
进一步可选的，所述获取不同的时间点的已融合为多模态的医学图像，进行时间分辨处理，生成带有时间序列的医学图像，包括：
在患者授权同意下，获取相同患者在不同时间点的已融合为多模态的乳腺图像数据；对获取的医学图像，进行预处理操作，包括图像校正、图像配准、图像增强、图像滤波；使用时间序列回归将获取的多个时间点的医学图像按照时间顺序进行排序，建立时间序列；对于每个时间点的医学图像，进行特征提取，提取出反映图像特征的关键参数，包括纹理特征、形状特征、灰度特征；在提取关键参数后，将参数带入到SARIMA时间序列模型中，进行模型训练和预测；通过SARIMA时间序列模型，分析不同时间点医学图像之间的相关性，获取图像之间的变化规律和趋势，并对未来的医学图像进行预测和分析；将时间分辨处理得到的结果输出，并将结果进行可视化呈现，包括不同时间点医学图像之间的对比、变化趋势的可视化。
进一步可选的，所述获取经过时间分辨处理后的图像数据，进行乳腺硬化的筛查分析，包括：
获取经过时间分辨处理后的图像数据，提取特征，包括灰度统计特征、纹理特征、形状特征；对提取的特征数据进行预处理，包括标准化、归一化；将预处理后的特征数据分为训练集和测试集，训练集用于训练支持向量机模型，测试集用于评估模型的性能；使用已标记的乳腺硬化样本和对应的正常样本作为训练集数据，输入支持向量机分类器，获取乳腺硬化样本的特征，采用交叉验证选择最优的模型参数，输出图像分类结果，分为乳腺硬化和正常；使用测试集数据评估训练好的支持向量机模型的性能，评估指标包括准确率、召回率、精确率；使用压力传感器获取***的软硬度和弹性，判断是否存在肿块或硬块；使用训练好的分类模型进行乳腺硬化的筛查分析，对新的***图像进行预测，判断是否存在乳腺硬化，根据模型的输出，结合临床指标、压力传感器数据和医生的判断，判断患者是否存在乳腺硬化；还包括：使用压力传感器获取***组织的软硬度和弹性，判断是否存在肿块或硬化；根据乳腺组织的纹理和形状特征，确定乳腺肿块或其他异常区域的大小、圆度和边缘的光滑程度，判断异常种类；对***组织进行振动、超声和红外理疗前后的***数据进行对比，判断***硬化治疗效果。
所述使用压力传感器获取***组织的软硬度和弹性，判断是否存在肿块或硬化，具体包括：
对***施加压力，使用压力传感器获取压力值，根据压力值的变化，确定***的软硬度。若压力值低于预设压力值表示***组织软，高于预设压力值表示***组织硬。通过施加压力，获取***组织的变形度，根据变形度，判断***的弹性。高于预设变形度表示***组织弹性高，低于预设变形度表示***组织弹性低。通过施加压力后***组织的回弹时间，确定***组织的弹性。低于预设值的回弹时间表示***组织弹性高，高于预设值的回弹时间表示***组织弹性低。根据不同区域的压力值和变形度，判断***不同区域的软硬度和弹性差异。根据***上的压力分布和变形度，判断是否存在肿块或硬块。若***某一区域的压力值和变形度与其他区域的压力值和变形度差值大于预设差值，判断该区域存在肿块或硬块。
所述根据乳腺组织的纹理和形状特征，确定乳腺肿块或其他异常区域的大小、圆度和边缘的光滑程度，判断异常种类，具体包括：
获取乳腺肿块或其他异常区域的图像数据，并对图像进行预处理，包括去噪、增强。使用灰度共生矩阵，计算图像中不同像素间灰度值出现的频率和关系，通过计算得到的统计特征包括对比度、能量、熵，获取图像的纹理特征；使用颜色直方图，通过图像的颜色空间划分为多个区间，并统计每个区间中像素的数量提取图像的颜色特征；使用canny对图像进行分割获取图像的形状特征。根据提取到的属性，使用支持向量机对乳腺肿块或其他异常区域进行分类。根据分类算法的输出结果，判断乳腺肿块或其他异常区域的类型，包括良性肿瘤、恶性肿瘤，乳腺硬化，乳腺结节。根据判断结果，生成诊断报告或建议，辅助医生对乳腺异常进行诊断。
所述对***组织进行振动、超声和红外理疗前后的***数据进行对比，判断***硬化治疗效果，具体包括：
在治疗前对***进行数据采集，记录***硬度、结节或异常区域的位置和特征，并存储对应的图像或数据。在治疗过程中，定期使用振动、超声和红外理疗设备对***进行振动、超声和红外理疗，记录相关数据和治疗时间，将治疗过程中获得的图像或数据根据时间戳进行排序。比较治疗前后的***数据，提取特征，包括***硬度和结节的变化、局部温度的变化。将数据与先前采集的治疗前数据进行比较，确定是否出现改善，包括***硬度是否降低、结节或异常区域是否减轻或消失、局部温度的变化。生成结果报告，包含图像或数据对比分析的结果、***硬度和结节的变化和治疗效果的评估。
进一步可选的，所述获取判断存在乳腺硬化的样本图像，分析是否存在某一区域的医学图像分辨率低于预设分辨率或亮度超出预设亮度，并对存在问题的区域进行修复和亮度校正，包括：
获取被判断为存在乳腺硬化病例的医学图像，使用Canny算法对医学图像进行边缘检测，提取图像中的***区域；针对分割出的***区域，进行分辨率分析，通过计算区域的像素数量，与预设分辨率进行比较，确定是否低于预设分辨率；在***区域内，计算像素的平均亮度值和对比度指标，与预设亮度进行比较，判断是否超出预设亮度范围；对于分辨率低于预设分辨率的区域，使用双线性插值进行修复；对于亮度超出预设范围的区域，使用直方图均衡化进行亮度校正；对修复和校正后的图像进行评估，验证修复和校正的效果。
进一步可选的，所述根据修复和校正后的乳腺图像，再次进行筛查分析，判断乳腺硬化部位是否为易病变部位，包括：
获取修复和校正后的乳腺图像，并进行特征提取和病变检测，特征包括乳腺硬化部位的形态、边界清晰度、密度、纹理特征、形状特征和灰度特征；通过支持向量机，利用训练数据集对乳腺硬化部位进行模式识别和分类；训练数据集为经过专家标注的乳腺图像，包括易病变部位和非易病变部位的样本；通过训练模型，对新的乳腺硬化部位进行分类，判断其易病变性质；将乳腺硬化部位与已知的易病变部位进行对比和分析，易病变部位包括乳腺高密度区域、结节、钙化病灶；根据图像特征和临床经验，判断乳腺硬化部位是否属于易病变部位；根据模型输出的概率和标签，确定病变风险和建议进一步检查的方向。
进一步可选的，所述若医院诊断结果为无乳腺硬化和肿块，将数据输入支持向量机，对支持向量机进行调整，包括：
经患者授权同意后，获取患者的医院诊断结果和仪器诊断结果，将仪器诊断结果作为已有训练集；将医院诊断结果为无乳腺硬化和肿块的数据作为负样本，与已有的训练数据集合并，易病变部位设为正样本，无乳腺硬化和肿块设为负样本；对合并后的数据集与之前的训练数据集进行特征提取，包括形态、边界清晰度、密度、纹理特征、形状特征和灰度特征；使用包含易病变和非易病变样本的新数据集，重新训练支持向量机模型，选择核函数和超参数优化支持向量机的性能，使用交叉验证来评估和优化模型的准确性；使用独立测试集或交叉验证集对调整后的模型进行验证，评估模型的性能和准确度；检查模型在负样本无乳腺硬化和肿块上的预测结果；根据模型在测试集上的性能评估结果，判断调整后的支持向量机模型的效果，若模型将无乳腺硬化和肿块识别为负样本，则说明模型调整成功。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明公开了一种采用单一模式成像技术进行乳腺硬化初期筛查的方法，该方法能够获得高分辨率的图像数据。首先，采用带通滤波器来选择性地透过预设范围内波长的荧光，以减少不同波长之间的干扰。然后，对图像数据应用自动编码器模型，对对比度低于预设对比度和亮度低于预设亮度的区域进行增强。接着，获取多个经过增强的单一模式成像后的图像数据，将其融合生成多模态的医学图像数据。随后，获取不同时间点的已融合为多模态的医学图像，进行时间分辨处理，生成带有时间序列的医学图像。再次，获取经过时间分辨处理后的图像数据，进行乳腺硬化的筛查分析。然后，获取判断存在乳腺硬化的样本图像，分析是否存在某一区域的医学图像分辨率低于预设分辨率或亮度超出预设亮度，并对存在问题的区域进行修复和亮度校正。根据修复和校正后的乳腺图像，再次进行筛查分析，判断乳腺硬化部位是否为易病变部位。最后，若医院诊断结果为无乳腺硬化和肿块，将数据输入支持向量机，并对支持向量机进行调整。通过以上所述的方法，有效地进行乳腺硬化初期筛查，并提高诊断的准确性和可靠性。
附图说明
图1为本发明的一种乳腺组织硬化初期快速筛查智能方法的流程图。
图2为本发明的一种乳腺组织硬化初期快速筛查智能方法的示意图。
图3为本发明的一种乳腺组织硬化初期快速筛查智能方法的又一示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本实施例一种乳腺组织硬化初期快速筛查智能方法具体可以包括：
步骤S101，采用单一模式的成像技术进行乳腺硬化初期筛查，从中获得高分辨率的图像数据。
使用数字X射线设备对乳腺进行成像，患者在站立或坐着的姿势下，将***逐一压在平坦的X射线平台上，进行摄影，图像数据会显示***的不同角度。提取图像中每个像素点的灰度值，根据灰度值，判断乳腺组织的密度和组织类型。获取图像中乳腺组织的纹理特征，包括颗粒、纹线或斑点，以及乳腺组织的形状特征，包括肿块的轮廓、大小和形状。统计图像数据中不同密度区域的分布和乳腺组织的血流灌注情况，包括血管的位置、数量和血流速度。将提取的细节特征与已知的乳腺硬化特征进行对比，并基于特征对比结果，判断是否存在乳腺硬化，并输出图像中乳腺硬化区域的位置和范围。例如，使用数字X射线设备对乳腺进行成像，患者在站立的姿势下，将***逐一压在平坦的X射线平台上，进行摄影。某个像素点的灰度值为100，根据灰度值，判断该乳腺组织密度为中等。此外，通过分析图像中乳腺组织的纹理特征，包括颗粒、纹线或斑点，评估乳腺组织的类型。如果图像中有颗粒状纹理特征，那么可能表示存在乳腺囊性结节。另外，通过分析图像中乳腺组织的形状特征来检测肿块。在图像中检测到一个具有圆形轮廓的肿块，其大小为2厘米，那么可以推测这可能是一个乳腺肿瘤。在统计图像数据中不同密度区域的分布时，在某个区域内，有100个像素点的灰度值大于150，那么可以认为该区域为高密度区域。此外，可以通过血流灌注情况评估乳腺组织的血管分布。在图像中检测到10个血管，其位置分布在***的上部和下部，血流速度为5厘米/秒。对比已知乳腺硬化特征发现图像中存在一个区域，该区域的纹理特征显示颗粒状纹理，形状为不规则，大小为3厘米×3厘米，并且在该区域内检测到血管数量明显减少，血流速度较慢，那么可以判断该区域可能存在乳腺硬化。通过输出该区域的位置和范围，进一步进行诊断和治疗计划的制定。
步骤S102，使用带通滤波器选择性地透过预设范围内波长的荧光，减少不同波长之间的干扰。
具体来说，在乳腺成像中，主要关注的是乳腺组织，由于人体组织对X射线的吸收程度不同，X射线设备可以捕捉到***内不同密度的组织结构，帮助医生进行乳腺癌的筛查。样品的荧光特性需要考虑的是乳腺组织中可能存在的荧光物质及其发射波长范围。考虑到乳腺组织中可能存在的荧光物质，需要一个中心波长在400-500nm之间的带通滤波器，带宽为20-30nm，这样可以最大限度地减少其他波长范围的干扰，同时保留足够的荧光信号。对于数字X射线设备来说，需要一个透过率较高且均匀性较好的滤波器。考虑到数字X射线设备的尺寸限制，选择小巧轻便的衬底材料。同时，为了确保高透过率和阻挡率，选择光学玻璃作为衬底材料。对于高透过率的带通滤波器，采用光学薄膜沉积技术来制备多层膜结构。在实际应用前，将滤波器整合到相应的设备中对滤波器的性能进行验证。如果性能指标不达标，对滤波器的设计进行调整和优化，以满足实际应用的要求。在乳腺成像中，主要关注的是乳腺组织，由于人体组织对X射线的吸收程度不同，X射线设备可以捕捉到***内不同密度的组织结构，帮助医生进行乳腺癌的筛查。样品的荧光特性需要考虑的是乳腺组织中可能存在的荧光物质及其发射波长范围。考虑到乳腺组织中可能存在的荧光物质，需要一个中心波长在400-500nm之间的带通滤波器，带宽为20-30nm，这样可以最大限度地减少其他波长范围的干扰，同时保留足够的荧光信号。对于数字X射线设备来说，需要一个透过率较高且均匀性较好的滤波器。考虑到数字X射线设备的尺寸限制，选择小巧轻便的衬底材料。同时，为了确保高透过率和阻挡率，选择光学玻璃作为衬底材料。对于高透过率的带通滤波器，采用光学薄膜沉积技术来制备多层膜结构。在实际应用前，将滤波器整合到相应的设备中对滤波器的性能进行验证。如果性能指标不达标，对滤波器的设计进行调整和优化，以满足实际应用的要求。
步骤S103，对图像数据使用自动编码器模型，对对比度低于预设对比度和亮度低于预设亮度的区域进行增强。
使用直方图法对输入图像进行分析，检测出对比度低于预设对比度和亮度低于预设亮度区域。将图像输入自动编码器模型的编码器部分，提取出对比度低于预设对比度和亮度低于预设亮度区域的特征表示。对提取的特征进行增强处理，提高对比度低于预设对比度和亮度低于预设亮度的可见度和清晰度。使用自动编码器模型的解码器部分将增强后的特征表示映射回图像空间，生成增强后的图像。使用训练数据集对自动编码器模型进行训练，优化模型参数。通过调整重构损失函数的权重，优化自动编码器模型的重构能力。通过验证集的反馈，调整自动编码器模型的超参数，包括学习率、批量大小、隐藏层维度。使用评估指标SSIM对增强后的图像进行评估，判断自动编码器模型在对比度低于预设对比度和亮度低于预设亮度区域增强任务上的性能。例如，有一张输入图像，其对比度和亮度均较低，使用直方图法对图像进行分析，确定对比度低于预设对比度和亮度低于预设亮度的区域。设置的预设对比度为5，预设亮度为30。经过直方图分析，发现图像中有30％的像素点对比度低于5，亮度低于30。将图像输入自动编码器模型的编码器部分，提取出对比度低于5和亮度低于30区域的特征表示，捕捉到图像中对比度和亮度较低的部分。使用直方图均衡化或对比度增强等方法对特征进行处理，提高对比度和亮度低的区域的可见度和清晰度。使用自动编码器模型的解码器部分将增强后的特征表示映射回图像空间，生成增强后的图像。通过解码器部分的运算，将特征表示转换为图像，得到增强后的图像。在训练自动编码器模型时，使用带有对比度和亮度低的图像作为训练数据集，优化模型参数。通过调整重构损失函数的权重，优化自动编码器模型的重构能力，使其能够更好地还原原始图像。通过验证集的反馈，调整自动编码器模型的超参数。调整学习率、批量大小和隐藏层维度等超参数，以找到最佳的模型配置。使用评估指标SSIM对增强后的图像进行评估，判断自动编码器模型在对比度和亮度增强任务上的性能。较高的SSIM值表示增强后的图像与原始图像在结构和细节上更为相似，从而说明自动编码器模型的增强效果较好。处理一张500x500像素的图像，其中有30％的像素点对比度低于5，亮度低于30。经过自动编码器模型的处理，得到增强后的图像，并计算其SSIM值为0.85，这表明自动编码器模型在对比度和亮度增强任务上具有较好的性能。
步骤S104，获取多个单一模式成像后经过增强的图像数据，融合生成多模态图像的医学图像数据。
获取多个单一模式成像的原始数据，包括X射线、磁共振成像、超声波图像。对每个单模式图像数据进行增强处理，包括去噪、增强对比度。通过基于特征点匹配、变换模型进行图像配准，调整图像的位置和尺度，将图像对齐到一个共同的坐标***。使用ResNet-18提取每个单模式图像的特征，采用加权平均、特征级联，对提取的特征进行融合，获取多模态特征的统一表示。使用融合后的多模态特征，结合生成对抗网络进行模态重建，生成多模态医学图像数据。对生成的多模态医学图像数据进行图像分割，对与正常形态医学图像数据偏差大于预设偏差值的区域进行标注。对生成的多模态医学图像数据进行质量评估和验证，包括与真实数据的比较、专家的主观评价。例如，获取到10个单一模态成像数据，包括3个X射线图像、4个磁共振成像图像和3个超声波图像。对于每个单一模态图像数据进行增强处理，使用高斯滤波进行去噪，采用直方图均衡化增强对比度。经过增强处理后，X射线图像的信噪比提高了30％，磁共振成像图像的对比度增加了20％，超声波图像的清晰度提高了25％。使用基于特征点匹配和变换模型的图像配准方法将图像对齐到共同的坐标***，通过配准，X射线图像与磁共振成像图像之间的位置差异减小了5个像素，超声波图像与X射线图像之间的尺度差异减小了10％。使用ResNet-18提取每个单模态图像的特征，提取出来的X射线图像特征的维度为256，磁共振成像图像特征的维度为512，超声波图像特征的维度为128。将提取的特征进行融合，采用加权平均的方法，融合后的多模态特征的维度为256，对于X射线图像特征的权重为4，磁共振成像图像特征的权重为3，超声波图像特征的权重为3。使用融合后的多模态特征，结合生成对抗网络进行模态重建，通过GAN生成的多模态医学图像数据与真实数据之间的结构相似度指数为0.9。对生成的多模态医学图像数据进行图像分割，对与正常形态医学图像数据偏差大于预设偏差值的区域进行标注。对生成的多模态医学图像数据进行质量评估和验证，与真实数据进行比较，生成的多模态图像与真实图像的结构相似度指数为0.9，专家对生成图像的主观评价为9分。
根据不同模态图像之间的关联和特征表示，使用生成对抗网络融合多模态图像。
具体来说，获取1000个X射线图像、1000个磁共振成像图像和1000个超声波图像作为训练数据集，在预处理阶段，使用3x3卷积核进行去噪处理，将图像大小调整为256x256像素，并使用零均值归一化将像素值范围调整到[-1,1]之间。设计一个带有两个卷积层的生成器和一个带有三个卷积层的判别器。生成器的任务是将两个模态的特征向量融合成一个新的图像，而判别器的任务是判断生成的图像是否与真实图像相似。使用ResNet-18作为特征提取器，对于X射线图像，将ResNet-18的输出作为特征向量；对于磁共振成像图像和超声波图像，将ResNet-18的特定层，全连接层之前的最后一层的输出作为特征向量，每个模态的特征向量大小为512维。将三个模态的特征向量作为输入到生成器中，在生成器中，这些特征会通过加权平均的方式进行融合，设置权重为[0.5,0.3,0.2]，分别对应X射线图像、磁共振成像图像和超声波图像的特征向量。生成器通过反向传播和梯度下降算法优化权重和生成器中的其他参数，提高生成图像的质量。判别器也通过反向传播和梯度下降算法优化权重和判别器中的其他参数，提高判别器的判别准确性，经过100轮训练后，得到一个能够生成高质量多模态图像的生成器和判别器。使用对抗性损失函数评估生成图像的质量和与真实图像的一致性，如果对抗性损失函数小于预设对抗性损失函数0.01，则判定为一致。对生成的图像使用结构相似性指数进行评估，并请专业医生评估生成的融合图像质量。根据评估结果，模型取得了较好的性能，生成的融合图像质量较高，医生反馈良好。获取1000个X射线图像、1000个磁共振成像图像和1000个超声波图像作为训练数据集，在预处理阶段，使用3x3卷积核进行去噪处理，将图像大小调整为256x256像素，并使用零均值归一化将像素值范围调整到[-1,1]之间。设计一个带有两个卷积层的生成器和一个带有三个卷积层的判别器。生成器的任务是将两个模态的特征向量融合成一个新的图像，而判别器的任务是判断生成的图像是否与真实图像相似。使用ResNet-18作为特征提取器，对于X射线图像，将ResNet-18的输出作为特征向量；对于磁共振成像图像和超声波图像，将ResNet-18的特定层，全连接层之前的最后一层的输出作为特征向量，每个模态的特征向量大小为512维。将三个模态的特征向量作为输入到生成器中，在生成器中，这些特征会通过加权平均的方式进行融合，设置权重为[0.5,0.3,0.2]，分别对应X射线图像、磁共振成像图像和超声波图像的特征向量。生成器通过反向传播和梯度下降算法优化权重和生成器中的其他参数，提高生成图像的质量。判别器也通过反向传播和梯度下降算法优化权重和判别器中的其他参数，提高判别器的判别准确性，经过100轮训练后，得到一个能够生成高质量多模态图像的生成器和判别器。使用对抗性损失函数评估生成图像的质量和与真实图像的一致性，如果对抗性损失函数小于预设对抗性损失函数0.01，则判定为一致。对生成的图像使用结构相似性指数进行评估，并请专业医生评估生成的融合图像质量。根据评估结果，模型取得了较好的性能，生成的融合图像质量较高，医生反馈良好。
将获取的***多模态融合医学图像进行图像分割，并与正常图像进行对比，标注出差异值大于预设差异值的区域。
经过患者同意后，获取***的多模态融合医学图像数据，对数据进行预处理，包括图像配准、归一化。对多模态医学图像使用边缘检测和纹理分析进行特征提取，使用K-means算法，根据医学图像的特征，将医学图像分为两类，包括异常图像与正常图像。使用canny算子对多模态医学图像进行分割，将图像分成不同的区域或者像素。将异常图像分割结果与正常图像进行对比，使用欧氏距离计算每个像素的差异值。根据预设的差异值阈值，确定差异值大于预设差异值的区域。通过阈值分割标注差异值大于预设差异值的区域，将其提取出来或者用颜色或标签进行标注。将标注出的差异区域进行可视化展示，使用彩色标注或者边界框方式突出显示，提供给医生进行诊断。例如，经过患者同意后，获取了一组***的多模态融合医学图像数据。首先，对这些图像进行预处理，使用图像处理算法来对X光摄影和超声图像进行配准，以确保它们在空间上对齐，对图像进行了灰度归一化，将像素值限定在0到255的范围内，消除不同图像间的亮度差异，使得后续的分析更加准确和可靠。接下来，使用边缘检测和纹理分析方法对多模态医学图像进行特征提取。使用Canny边缘检测算法来提取图像的边缘信息，并计算边缘像素的数量作为特征之一。使用纹理分析方法，如灰度共生矩阵来提取图像的纹理特征，包括能量和对比度。然后，使用K-means算法将提取的特征用于对医学图像进行分类，将其分为异常图像和正常图像两类。得到了一组特征向量，其中每个向量包含了图像的边缘数量和纹理特征值。使用K-means算法将这些特征向量聚类为两个簇，即异常和正常。接着，使用Canny算子对多模态医学图像进行分割，将图像分成不同的区域或像素。将异常图像分割结果与正常图像进行对比，并使用欧氏距离计算每个像素的差异值。选择了乳腺组织区域作为感兴趣区域，通过比较异常图像和正常图像在该区域内的像素差异，得到每个像素的差异值。根据预设的差异值阈值，确定差异值大于预设差异值的区域。设置差异值阈值为5，那么所有差异值大于5的像素将被认为是异常区域。通过阈值分割来标注差异值大于预设差异值的区域，将其提取出来或用颜色或标签进行标注。这样，将标注出的差异区域进行可视化展示，使用彩色标注或边界框方式突出显示，以供医生进行诊断。两张图像，它们经过处理后得到的差异值分别为3和8。根据设定的差异值阈值为5，一张图像中的差异值为8大于阈值，被识别为异常区域，另一张图像中的差异值为3小于阈值，被认为是正常区域。通过标注和可视化，可以清楚地看到异常区域与正常区域之间的差异，以便医生进行进一步的诊断和分析。
步骤S105，获取不同的时间点的已融合为多模态的医学图像，进行时间分辨处理，生成带有时间序列的医学图像。
在患者授权同意下，获取相同患者在不同时间点的已融合为多模态的乳腺图像数据。对获取的医学图像，进行预处理操作，包括图像校正、图像配准、图像增强、图像滤波。使用时间序列回归将获取的多个时间点的医学图像按照时间顺序进行排序，建立时间序列。对于每个时间点的医学图像，进行特征提取，提取出反映图像特征的关键参数，包括纹理特征、形状特征、灰度特征。在提取关键参数后，将参数带入到SARIMA时间序列模型中，进行模型训练和预测。通过SARIMA时间序列模型，分析不同时间点医学图像之间的相关性，获取图像之间的变化规律和趋势，并对未来的医学图像进行预测和分析。将时间分辨处理得到的结果输出，并将结果进行可视化呈现，包括不同时间点医学图像之间的对比、变化趋势的可视化。例如，有一名患者在三个不同的时间点进行了乳腺图像检查，分别是2018年1月、2019年6月和2020年11月，在患者授权同意下，获取者三张图像。将获取到的这三个时间点的乳腺图像进行预处理和特征提取，然后使用SARIMA时间序列模型进行分析和预测。首先，对乳腺图像进行图像校正，以消除图像的偏差和失真，根据不同的图像采集设备和技术，采用各种校正算法进行处理。接下来，使用基于特征点匹配的方法对三个时间点的乳腺图像进行图像配准，确保它们在空间上的位置和大小一致。然后，使用直方图均衡化对三个配准后的乳腺图像进行图像增强，提升图像的对比度和细节，得到了三个增强后的乳腺图像。接着，对三个增强后的乳腺图像进行均值滤波，去除图像中的噪声和干扰。使用时间序列回归方法将三个时间点的乳腺图像按照时间顺序进行排序，建立时间序列。将2018年1月的乳腺图像作为第一个时间点，2019年6月的乳腺图像作为第二个时间点，2020年11月的乳腺图像作为第三个时间点。然后，对每个时间点的乳腺图像进行特征提取，提取出反映图像特征的关键参数。使用纹理分析方法提取图像的纹理特征，使用形状分析方法提取图像的形状特征，使用灰度统计方法提取图像的灰度特征。提取了10个关键参数作为图像特征。接着，将这些图像特征参数带入到SARIMA时间序列模型中进行模型训练和预测。使用这10个图像特征参数作为输入变量，预测乳腺图像的变化趋势。使用历史数据进行模型训练，然后使用该模型对未来的乳腺图像进行预测和分析。通过时间序列模型，分析不同时间点的乳腺图像之间的相关性，获取图像之间的变化规律和趋势。发现乳腺图像的纹理特征在乳腺硬化过程中逐渐变化，灰度特征在乳腺硬化过程中呈现不规律的波动。将时间序列处理得到的结果输出，绘制不同时间点的乳腺图像之间的对比图，展示图像特征的变化趋势，并绘制乳腺图像的预测结果，展示未来乳腺图像的变化趋势。
步骤S106，获取经过时间分辨处理后的图像数据，进行乳腺硬化的筛查分析。
获取经过时间分辨处理后的图像数据，提取特征，包括灰度统计特征、纹理特征、形状特征。对提取的特征数据进行预处理，包括标准化、归一化。将预处理后的特征数据分为训练集和测试集，训练集用于训练支持向量机模型，测试集用于评估模型的性能。使用已标记的乳腺硬化样本和对应的正常样本作为训练集数据，输入支持向量机分类器，获取乳腺硬化样本的特征，采用交叉验证选择最优的模型参数，输出图像分类结果，分为乳腺硬化和正常。使用测试集数据评估训练好的支持向量机模型的性能，评估指标包括准确率、召回率、精确率。使用压力传感器获取***的软硬度和弹性，判断是否存在肿块或硬块。使用训练好的分类模型进行乳腺硬化的筛查分析，对新的***图像进行预测，判断是否存在乳腺硬化，根据模型的输出，结合临床指标、压力传感器数据和医生的判断，判断患者是否存在乳腺硬化。例如，获取了100个不同时间点的医学图像，其中50个是乳腺硬化样本，另外50个是正常样本，每个样本包含20个时间点的图像，时间间隔为1个月。对于每个时间点的医学图像，计算图像的灰度直方图和灰度共生矩阵，得到2个特征，计算图像的灰度共生矩阵的统计量、能量谱和纹理谱，得到10个特征，使用边缘检测算子计算图像的边缘特征、形状分布特征和形态学特征，得到5个特征。对于提取的特征数据，进行预处理，将每个特征的数值减去均值，再除以标准差，以消除特征之间的量纲和数值范围的影响，将每个特征的数值范围调整为[0,1]，以进一步消除特征之间的数值范围的影响。将预处理后的特征数据按照70％和30％的比例分为训练集和测试集，其中训练集包含35个乳腺硬化样本和35个正常样本，测试集同样包含15个乳腺硬化样本和15个正常样本。使用已标记的乳腺硬化样本和对应的正常样本作为训练集数据，输入支持向量机分类器，获取乳腺硬化样本的特征。采用交叉验证选择最优的模型参数，输出图像分类结果，分为乳腺硬化和正常。评估模型性能使用测试集数据评估训练好的支持向量机模型的性能，评估指标包括准确率、召回率、精确率。模型在测试集上的准确率为90％，召回率为85％，精确率为92％。根据压力传感器的测量结果，得到了***的软硬度和弹性指标。使用训练好的分类模型进行乳腺硬化的筛查分析，对新的***图像进行预测，判断是否存在乳腺硬化，根据模型的输出，结合临床指标和医生的判断，判断患者是否存在乳腺硬化。对一个新的***图像进行了预测，模型输出为90％的概率患有乳腺硬化，经过医生诊断，最终确诊为乳腺硬化。
使用压力传感器获取***组织的软硬度和弹性，判断是否存在肿块或硬化。
对***施加压力，使用压力传感器获取压力值，根据压力值的变化，确定***的软硬度。若压力值低于预设压力值表示***组织软，高于预设压力值表示***组织硬。通过施加压力，获取***组织的变形度，根据变形度，判断***的弹性。高于预设变形度表示***组织弹性高，低于预设变形度表示***组织弹性低。通过施加压力后***组织的回弹时间，确定***组织的弹性。低于预设值的回弹时间表示***组织弹性高，高于预设值的回弹时间表示***组织弹性低。根据不同区域的压力值和变形度，判断***不同区域的软硬度和弹性差异。根据***上的压力分布和变形度，判断是否存在肿块或硬块。若***某一区域的压力值和变形度与其他区域的压力值和变形度差值大于预设差值，判断该区域存在肿块或硬块。例如，预设的压力值为20，***的压力传感器在施加压力后测得的压力值为10小于预设压力值，表示***组织软；而另一次施加压力后测得的压力值为30大于预设压力值，表示***组织硬。根据这些数值的变化，确定***的软硬度。预设的***组织变形度为5，通过施加压力后测得的***变形度为8，表示***组织具有较高的弹性；而另一次施加压力后测得的***变形度为3，表示***组织弹性较低。此外，预设的***组织回弹时间为2秒，通过施加压力后测得的***回弹时间为1秒，表示***组织具有较高的弹性；而另一次施加压力后测得的***回弹时间为3秒，表示***组织弹性较低。根据不同区域的压力值和变形度，判断***不同区域的软硬度和弹性差异。***左侧区域的压力值为25，变形度为6，而右侧区域的压力值为15，变形度为4，说明左侧区域相对硬，右侧区域相对软。最后，如果***某一区域的压力值和变形度与其他区域的压力值和变形度差值大于预设差值，某一区域的压力值为35，变形度为9，而其他区域的压力值为20，变形度为5，那么可以判断该区域存在肿块或硬块的可能。
根据乳腺组织的纹理和形状特征，确定乳腺肿块或其他异常区域的大小、圆度和边缘的光滑程度，判断异常种类。
获取乳腺肿块或其他异常区域的图像数据，并对图像进行预处理，包括去噪、增强。使用灰度共生矩阵，计算图像中不同像素间灰度值出现的频率和关系，通过计算得到的统计特征包括对比度、能量、熵，获取图像的纹理特征；使用颜色直方图，通过图像的颜色空间划分为多个区间，并统计每个区间中像素的数量提取图像的颜色特征；使用canny对图像进行分割获取图像的形状特征。根据提取到的属性，使用支持向量机对乳腺肿块或其他异常区域进行分类。根据分类算法的输出结果，判断乳腺肿块或其他异常区域的类型，包括良性肿瘤、恶性肿瘤，乳腺硬化，乳腺结节。根据判断结果，生成诊断报告或建议，辅助医生对乳腺异常进行诊断。例如，假设获取了一张乳腺肿块的图像数据，图像大小为500x500像素。需要对图像进行预处理，包括去噪和增强，使用高斯滤波器对图像进行去噪处理，去除图像中的噪声干扰，使用直方图均衡化方法增强图像的对比度，使得肿块或其他异常区域更加明显。使用灰度共生矩阵计算图像中不同像素间灰度值出现的频率和关系，以提取图像的纹理特征。选择一个像素间隔为1的灰度共生矩阵，计算出的统计特征如下，对比度12、能量6、熵3。使用颜色直方图统计图像中每个颜色区间中像素的数量，以提取图像的颜色特征。将颜色空间划分为10个区间，统计得到的颜色直方图如下，区间1，100像素、区间2，80像素、区间3，60像素、区间4，50像素、区间5，40像素、区间6，30像素、区间7，20像素、区间8，10像素、区间9，5像素、区间10，2像素。接下来，使用Canny算法对图像进行边缘检测和分割，提取图像的形状特征，Canny算法对图像进行分割后，得到了一个包含乳腺肿块的轮廓。最后，使用支持向量机对乳腺肿块或其他异常区域进行分类。假设使用一个已经训练好的SVM模型，将提取到的属性作为输入，进行分类。根据分类算法的输出结果，得到了以下分类结果，良性肿瘤概率为8％、恶性肿瘤概率为2％、乳腺硬化概率为1％、乳腺结节概率为0.3％。根据判断结果，生成诊断报告或建议，辅助医生对乳腺异常进行诊断。根据以上结果，可以得出该乳腺肿块属于良性肿瘤的可能性较高，但仍需要进一步的检查和确认。
对***组织进行振动、超声和红外理疗前后的***数据进行对比，判断***硬化治疗效果。
在治疗前对***进行数据采集，记录***硬度、结节或异常区域的位置和特征，并存储对应的图像或数据。在治疗过程中，定期使用振动、超声和红外理疗设备对***进行振动、超声和红外理疗，记录相关数据和治疗时间，将治疗过程中获得的图像或数据根据时间戳进行排序。比较治疗前后的***数据，提取特征，包括***硬度和结节的变化、局部温度的变化。将数据与先前采集的治疗前数据进行比较，确定是否出现改善，包括***硬度是否降低、结节或异常区域是否减轻或消失、局部温度的变化。生成结果报告，包含图像或数据对比分析的结果、***硬度和结节的变化和治疗效果的评估。例如，在治疗前对***进行数据采集时，记录到***硬度为5、结节或异常区域位于***的右上方，并具有不规则边界的特征。同时，存储了对应的超声图像和硬度数据。在治疗过程中，定期使用振动、超声和红外理疗设备进行治疗。记录到第一次治疗时的时间戳为T1，此时***硬度降至4，结节或异常区域变得更加平滑，并且超声图像显示结节的大小减小，此外，***局部温度也有所升高，从治疗前的32℃升高到33℃。在第二次治疗时时间戳为T2，***硬度进一步降低至3，结节或异常区域几乎消失，并且超声图像显示结节变得微小，***局部温度也继续升高，达到34℃。最后一次治疗时间戳为T3后，***硬度降至2，结节或异常区域完全消失，超声图像显示***恢复正常，此时***局部温度达到35℃。通过比较治疗前后的***数据，获取到***硬度的明显降低，结节或异常区域的减轻甚至消失，以及局部温度的升高，据此可以确定治疗有改善效果。生成的结果报告将包含***硬度和结节变化的具体数值，以及治疗效果的评估。
步骤S107，获取判断存在乳腺硬化的样本图像，分析是否存在某一区域的医学图像分辨率低于预设分辨率或亮度超出预设亮度，并对存在问题的区域进行修复和亮度校正。
获取被判断为存在乳腺硬化病例的医学图像，使用Canny算法对医学图像进行边缘检测，提取图像中的***区域。针对分割出的***区域，进行分辨率分析，通过计算区域的像素数量，与预设分辨率进行比较，确定是否低于预设分辨率。在***区域内，计算像素的平均亮度值和对比度指标，与预设亮度进行比较，判断是否超出预设亮度范围。对于分辨率低于预设分辨率的区域，使用双线性插值进行修复。对于亮度超出预设范围的区域，使用直方图均衡化进行亮度校正。对修复和校正后的图像进行评估，验证修复和校正的效果。例如，获得了一张被判断为存在乳腺硬化的医学图像。使用Canny算法对该图像进行边缘检测，以提取***区域。通过边缘检测后，得到了***区域的轮廓。计算该区域的像素数量，得到的***区域像素数量为5000。与预设分辨率进行比较，预设分辨率为10000像素。由于***区域的像素数量低于预设分辨率，可以判断该区域的分辨率低于预设分辨率。计算***区域内像素的平均亮度值和对比度指标。计算得到的平均亮度值为150和对比度指标为7。然后，与预设亮度进行比较，预设亮度范围为100-200。由于***区域的平均亮度值在预设亮度范围内，判断该区域的亮度未超出预设范围。对于分辨率低于预设分辨率的区域，使用双线性插值进行修复，修复后的图像提高该区域的分辨率。对于亮度超出预设范围的区域，可以使用直方图均衡化进行亮度校正，校正后的图像使该区域的亮度在预设范围内。最后，对修复和校正后的图像进行评估，计算修复后***区域的像素数量，并与修复前进行比较，计算修复后***区域的平均亮度值和对比度指标，并与修复前进行比较，通过这些评估指标，可以验证修复和校正的效果。
步骤S108，根据修复和校正后的乳腺图像，再次进行筛查分析，判断乳腺硬化部位是否为易病变部位。
获取修复和校正后的乳腺图像，并进行特征提取和病变检测，特征包括乳腺硬化部位的形态、边界清晰度、密度、纹理特征、形状特征和灰度特征。通过支持向量机，利用训练数据集对乳腺硬化部位进行模式识别和分类。训练数据集为经过专家标注的乳腺图像，包括易病变部位和非易病变部位的样本。通过训练模型，对新的乳腺硬化部位进行分类，判断其易病变性质。将乳腺硬化部位与已知的易病变部位进行对比和分析，易病变部位包括乳腺高密度区域、结节、钙化病灶。根据图像特征和临床经验，判断乳腺硬化部位是否属于易病变部位。根据模型输出的概率和标签，确定病变风险和建议进一步检查的方向。例如，乳腺硬化部位的形态特征被量化为一个具有连续数值的指标，取值范围为0到1，表示从不规则到规则形态的程度；边界清晰度指标被定义为一个从0到1的连续数值，表示从模糊到清晰边界的程度；密度特征表示为一个从0到1的连续数值，表示从低密度到高密度的程度；纹理特征、形状特征和灰度特征也可以采用类似的数值表示。使用了一个训练数据集，包含100个乳腺硬化图像的标注信息，其中50个样本标注为易病变，50个标注为非易病变。使用这个训练数据集训练了一个支持向量机模型。有一个新的乳腺硬化图像，将图像进行特征提取，并得到以下特征数值，形态特征为0.75，边界清晰度为0.85，密度为0.6，纹理特征为0.9，形状特征为0.8，灰度特征为0.7。将这些特征作为输入，通过训练好的SVM模型进行分类。模型输出的概率为0.8，标签为易病变。根据已知的易病变部位特征，对乳腺硬化部位进行比较和分析。根据图像特征和临床经验，确定该乳腺硬化部位与易病变部位的特征相似度较高，判断该乳腺硬化部位属于易病变部位。根据模型输出的概率和标签，结合比较分析的结果，确定病变风险和建议进一步检查的方向。根据SVM模型的输出为易病变并且概率为0.8，结合乳腺硬化部位特征与易病变部位的相似性，确定该乳腺硬化部位存在较高的病变风险，建议进行进一步的检查和诊断确认。
步骤S109，若医院诊断结果为无乳腺硬化和肿块，将数据输入支持向量机，对支持向量机进行调整。
经患者授权同意后，获取患者的医院诊断结果和仪器诊断结果，将仪器诊断结果作为已有训练集。将医院诊断结果为无乳腺硬化和肿块的数据作为负样本，与已有的训练数据集合并，易病变部位设为正样本，无乳腺硬化和肿块设为负样本。对合并后的数据集与之前的训练数据集进行特征提取，包括形态、边界清晰度、密度、纹理特征、形状特征和灰度特征。使用包含易病变和非易病变样本的新数据集，重新训练支持向量机模型，选择核函数和超参数优化支持向量机的性能，使用交叉验证来评估和优化模型的准确性。使用独立测试集或交叉验证集对调整后的模型进行验证，评估模型的性能和准确度。检查模型在负样本无乳腺硬化和肿块上的预测结果。根据模型在测试集上的性能评估结果，判断调整后的支持向量机模型的效果，若模型将无乳腺硬化和肿块识别为负样本，则说明模型调整成功。例如，将医院诊断结果为无乳腺硬化和肿块的数据作为负样本，与已有的训练数据集合并，已有的训练数据集中有100个易病变的样本和100个非易病变的样本，现在又得到了50个无乳腺硬化和肿块的负样本数据。那么合并后的新数据集将有250个样本，其中包括50个易病变的样本和200个非易病变的样本。选择了6个特征来描述乳腺肿瘤，形态、边界清晰度、密度、纹理特征、形状特征和灰度特征。针对每个样本，计算出这六个特征的数值。然后，使用新数据集重新训练支持向量机模型。在训练过程中，选择了高斯核函数，并通过交叉验证来选择最优的超参数。最终选择的超参数是C＝1和gamma＝1。接着，使用独立的测试集对调整后的模型进行验证。测试集包含50个样本，其中有10个易病变的样本和40个非易病变的样本。将模型对每个样本的预测结果与实际标签进行比较，计算模型的准确性。最后，检查模型在负样本无乳腺硬化和肿块上的预测结果。如果模型能够将无乳腺硬化和肿块识别为负样本，则说明模型调整成功。经过测试，调整后的支持向量机模型在测试集上的准确性为90％。并且模型成功将所有的无乳腺硬化和肿块样本识别为负样本。这样，可以得出结论，调整后的支持向量机模型在识别乳腺疾病中的无乳腺硬化和肿块方面表现良好。
以上述依据本发明的实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种乳腺组织硬化初期快速筛查智能方法，其特征在于，所述方法包括：
采用单一模式的成像技术进行乳腺硬化初期筛查，从中获得高分辨率的图像数据；使用带通滤波器选择性地透过预设范围内波长的荧光，减少不同波长之间的干扰；对图像数据使用自动编码器模型，对对比度低于预设对比度和亮度低于预设亮度的区域进行增强；获取多个单一模式成像后经过增强的图像数据，融合生成多模态图像的医学图像数据；获取不同的时间点的已融合为多模态的医学图像，进行时间分辨处理，生成带有时间序列的医学图像；获取经过时间分辨处理后的图像数据，进行乳腺硬化的筛查分析；获取判断存在乳腺硬化的样本图像，分析是否存在某一区域的医学图像分辨率低于预设分辨率或亮度超出预设亮度，并对存在问题的区域进行修复和亮度校正；根据修复和校正后的乳腺图像，再次进行筛查分析，判断乳腺硬化部位是否为易病变部位；若医院诊断结果为无乳腺硬化和肿块，将数据输入支持向量机，对支持向量机进行调整。
2.根据权利要求1所述的方法，其中，所述采用单一模式的成像技术进行乳腺硬化初期筛查，从中获得高分辨率的图像数据，包括：
使用数字X射线设备对乳腺进行成像，患者将***逐一压在X射线平台上；提取图像中的灰度值，判断乳腺组织的密度和组织类型；获取乳腺组织的纹理和形状特征，包括颗粒、纹线、斑点、肿块的轮廓和形状；统计图像数据中不同密度区域的分布和乳腺组织的血流情况；将细节特征与已知的乳腺硬化特征进行对比，输出乳腺硬化区域的位置。
3.根据权利要求1所述的方法，其中，所述使用带通滤波器选择性地透过预设范围内波长的荧光，减少不同波长之间的干扰，包括：
确定所需的中心波长和带宽，选择带通滤波器；选择具有均匀透过特性的滤波器；根据荧光信号的偏振态，选择滤波器透过不同偏振态的光线；选择衬底材料和制造工艺，包括光学玻璃、石英、聚合物、光学薄膜沉积和光刻；验证滤波器性能，并将滤波器整合到相应设备中。
4.根据权利要求1所述的方法，其中，所述对图像数据使用自动编码器模型，对对比度低于预设对比度和亮度低于预设亮度的区域进行增强，包括：
使用直方图法对输入图像进行分析，检测出低对比度和低亮度区域；将图像输入自动编码器模型的编码器部分，提取特征；对提取的特征进行增强处理；使用解码器部分生成增强后的图像；使用训练数据集优化模型参数；调整重构损失函数的权重；通过验证集反馈，调整自动编码器模型的超参数；使用评估指标SSIM评估增强后的图像性能。
5.根据权利要求1所述的方法，其中，所述获取多个单一模式成像后经过增强的图像数据，融合生成多模态图像的医学图像数据，包括：
获取X射线、磁共振成像和超声波图像的原始数据；进行去噪和增强对比度；通过特征点匹配和变换模型调整图像的位置和尺度；使用ResNet-18进行特征提取，采用加权平均和特征级联融合特征；利用生成对抗网络进行模态重建，生成多模态医学图像数据；对生成的数据进行图像分割，标注出偏差大于预设值的区域，并进行质量评估和验证；还包括：根据不同模态图像之间的关联和特征表示，使用生成对抗网络融合多模态图像；将获取的***多模态融合医学图像进行图像分割，并与正常图像进行对比，标注出差异值大于预设差异值的区域；
所述根据不同模态图像之间的关联和特征表示，使用生成对抗网络融合多模态图像，具体包括：获取不同模态图像的原始数据，包括X射线图像、磁共振成像图像和超声波图像；确保数据的质量和准确性，进行预处理操作，包括去噪和归一化；设计一个生成对抗网络架构，包括生成器和判别器，生成器将输入的多模态特征向量转化为融合的多模态图像，判别器用于评估生成图像的真实性；对于不同模态的图像数据，通过ResNet-18提取特征，将每个模态的特征编码为低维特征向量，保留对应模态的关键信息；将不同模态的特征向量输入到生成器中，使用加权平均在生成器中进行多模态特征的融合；使用以下公式进行特征的加权平均融合，F_fused＝w1*F1+w2*F2+w3*F3，其中，F_fused表示融合后的特征向量，F1、F2、F3分别表示不同模态的特征向量，w1、w2、w3表示对应模态特征的权重，权重根据不同模态的重要性和数据集的特点进行设置生成器学习特征映射和模态之间的语义对应关系，根据融合的多模态特征向量，生成融合图像；判别器通过对生成的图像进行分类，分类包括真实图像和合成图像，根据判别器的反馈，生成器进行相应的优化，提高生成图像的质量；使用对抗性损失函数评估生成图像的质量和与真实图像的一致性，若对抗性损失函数小于预设对抗性损失函数，判定为一致；使用训练数据对生成对抗网络模型进行训练，根据结构相似性指数和专家的反馈对模型进行调优；
所述将获取的***多模态融合医学图像进行图像分割，并与正常图像进行对比，标注出差异值大于预设差异值的区域，具体包括：经过患者同意后，获取***的多模态融合医学图像数据，对数据进行预处理，包括图像配准、归一化；对多模态医学图像使用边缘检测和纹理分析进行特征提取，使用K-means算法，根据医学图像的特征，将医学图像分为两类，包括异常图像与正常图像；使用canny算子对多模态医学图像进行分割，将图像分成不同的区域或者像素；将异常图像分割结果与正常图像进行对比，使用欧氏距离计算每个像素的差异值；根据预设的差异值阈值，确定差异值大于预设差异值的区域；通过阈值分割标注差异值大于预设差异值的区域，将其提取出来或者用颜色或标签进行标注；将标注出的差异区域进行可视化展示，使用彩色标注或者边界框方式突出显示，提供给医生进行诊断。
6.根据权利要求1所述的方法，其中，所述获取不同的时间点的已融合为多模态的医学图像，进行时间分辨处理，生成带有时间序列的医学图像，包括：
获取不同时间点的多模态乳腺图像数据；进行图像校正、配准、增强和滤波；利用时间序列回归排序多个时间点的医学图像；进行特征提取，包括纹理特征、形状特征和灰度特征；利用SARIMA时间序列模型进行模型训练、预测和分析，得出医学图像的变化规律和趋势；
最终将时间分辨处理结果进行可视化呈现。
7.根据权利要求1所述的方法，其中，所述获取经过时间分辨处理后的图像数据，进行乳腺硬化的筛查分析，包括：
提取经过时间分辨处理后的图像数据特征，包括灰度统计特征、纹理特征和形状特征；对特征数据进行标准化和归一化；利用支持向量机分类器进行模型训练，评估和预测；使用压力传感器获取***组织的弹性；利用训练好的模型对新的***图像进行预测，并结合临床指标和压力传感器数据进行乳腺硬化的判断。
8.根据权利要求1所述的方法，其中，所述获取判断存在乳腺硬化的样本图像，分析是否存在某一区域的医学图像分辨率低于预设分辨率或亮度超出预设亮度，并对存在问题的区域进行修复和亮度校正，包括：
获取乳腺硬化病例的医学图像，使用Canny算法对医学图像进行边缘检测，提取***区域；针对提取的***区域，进行分辨率分析，确定是否低于预设分辨率；在***区域内，计算像素的平均亮度值，判断是否超出预设亮度范围；对于分辨率低于预设的区域，使用双线性插值进行修复；对于亮度超出范围的区域，进行亮度校正。
9.根据权利要求1所述的方法，其中，所述根据修复和校正后的乳腺图像，再次进行筛查分析，判断乳腺硬化部位是否为易病变部位，包括：
获取修复和校正后的乳腺图像，进行特征提取；通过支持向量机，使用训练数据集对乳腺硬化部位进行模式识别；将乳腺硬化部位与易病变部位进行对比和分析；根据图像特征判断乳腺硬化部位是否属于易病变部位。
10.根据权利要求1所述的方法，其中，所述若医院诊断结果为无乳腺硬化和肿块，将数据输入支持向量机，对支持向量机进行调整，包括：
获取患者的医院诊断结果，将其作为已有训练集；将医院诊断结果作为负样本与训练数据集合并；进行特征提取；使用新数据集，重新训练支持向量机模型；使用独立测试集对模型进行验证；根据模型的性能评估结果，判断调整后的模型的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311390918.7A CN117481672B (zh) | 2023-10-25 | 2023-10-25 | 一种乳腺组织硬化初期快速筛查智能方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311390918.7A CN117481672B (zh) | 2023-10-25 | 2023-10-25 | 一种乳腺组织硬化初期快速筛查智能方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117481672A true CN117481672A (zh) | 2024-02-02 |
| CN117481672B CN117481672B (zh) | 2024-06-25 |
Family
ID=89677372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311390918.7A Active CN117481672B (zh) | 2023-10-25 | 2023-10-25 | 一种乳腺组织硬化初期快速筛查智能方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117481672B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6246782B1 (en) * | 1997-06-06 | 2001-06-12 | Lockheed Martin Corporation | System for automated detection of cancerous masses in mammograms |
| CN106780451A (zh) * | 2016-12-07 | 2017-05-31 | 西安电子科技大学 | X射线、超声、红外图像融合乳腺肿块图像检测方法 |
| CN109146848A (zh) * | 2018-07-23 | 2019-01-04 | 东北大学 | 一种融合多模态乳腺图像的计算机辅助参考***及方法 |
| CN109978838A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
| CN112581428A (zh) * | 2020-11-26 | 2021-03-30 | 广东工业大学 | 一种多模态医学图像辅助诊断方法 |
| CN112735570A (zh) * | 2021-01-09 | 2021-04-30 | 深圳先进技术研究院 | 影像驱动的脑图谱构建方法、装置、设备及存储介质 |
| CN114926382A (zh) * | 2022-05-18 | 2022-08-19 | 深圳大学 | 用于融合图像的生成对抗网络、图像融合方法及终端设备 |
| CN115019405A (zh) * | 2022-05-27 | 2022-09-06 | 中国科学院计算技术研究所 | 一种基于多模态融合的肿瘤分类方法及*** |
| CN115223715A (zh) * | 2022-07-15 | 2022-10-21 | 神州医疗科技股份有限公司 | 一种基于多模态信息融合的癌症预测方法与*** |
| CN116189884A (zh) * | 2023-04-24 | 2023-05-30 | 成都中医药大学 | 一种基于面部视觉的多模态融合中医体质判别方法及*** |
| WO2023098524A1 (zh) * | 2021-12-02 | 2023-06-08 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
-
2023
- 2023-10-25 CN CN202311390918.7A patent/CN117481672B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6246782B1 (en) * | 1997-06-06 | 2001-06-12 | Lockheed Martin Corporation | System for automated detection of cancerous masses in mammograms |
| CN106780451A (zh) * | 2016-12-07 | 2017-05-31 | 西安电子科技大学 | X射线、超声、红外图像融合乳腺肿块图像检测方法 |
| CN109146848A (zh) * | 2018-07-23 | 2019-01-04 | 东北大学 | 一种融合多模态乳腺图像的计算机辅助参考***及方法 |
| CN109978838A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
| CN112581428A (zh) * | 2020-11-26 | 2021-03-30 | 广东工业大学 | 一种多模态医学图像辅助诊断方法 |
| CN112735570A (zh) * | 2021-01-09 | 2021-04-30 | 深圳先进技术研究院 | 影像驱动的脑图谱构建方法、装置、设备及存储介质 |
| WO2023098524A1 (zh) * | 2021-12-02 | 2023-06-08 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
| CN114926382A (zh) * | 2022-05-18 | 2022-08-19 | 深圳大学 | 用于融合图像的生成对抗网络、图像融合方法及终端设备 |
| CN115019405A (zh) * | 2022-05-27 | 2022-09-06 | 中国科学院计算技术研究所 | 一种基于多模态融合的肿瘤分类方法及*** |
| CN115223715A (zh) * | 2022-07-15 | 2022-10-21 | 神州医疗科技股份有限公司 | 一种基于多模态信息融合的癌症预测方法与*** |
| CN116189884A (zh) * | 2023-04-24 | 2023-05-30 | 成都中医药大学 | 一种基于面部视觉的多模态融合中医体质判别方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| JIYUN LI: "Progressive Progressive Progressive Breast reast Cancer ancer Diagnosis iagnosis iagnosis Model odel Based Based on Multi-classifier and classifier and classifier and classifier and Multi-modalmodal fusion", 《INTERNATIONAL JOURNAL OF MACHINE LEARNING AND COMPUTING》, vol. 11, no. 6, 30 November 2021 (2021-11-30), pages 387 - 392 * |
| 崔延华: "基于多模态特征融合的乳腺Ｘ线图像肿物良恶性预测", 《中国优秀硕士学位论文全文数据库（电子期刊）》, 15 January 2021 (2021-01-15), pages 072 - 1267 * |
| 顾莹莹: "基于多模态乳腺癌影像融合的辅助诊断研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》, 15 January 2022 (2022-01-15), pages 072 - 1778 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117481672B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zebari et al. | Improved threshold based and trainable fully automated segmentation for breast cancer boundary and pectoral muscle in mammogram images | |
| EP0757544B1 (en) | Computerized detection of masses and parenchymal distortions | |
| WO2018120942A1 (zh) | 一种多模型融合自动检测医学图像中病变的***及方法 | |
| US6760468B1 (en) | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network | |
| El-Baz et al. | Three-dimensional shape analysis using spherical harmonics for early assessment of detected lung nodules | |
| US11875479B2 (en) | Fusion of deep learning and handcrafted techniques in dermoscopy image analysis | |
| Abbas et al. | Computer‐aided pattern classification system for dermoscopy images | |
| US20120257804A1 (en) | Communicative cad system for assisting breast imaging diagnosis | |
| WO2006126384A1 (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
| Rashid Sheykhahmad et al. | A novel method for skin lesion segmentation | |
| Garnavi | Computer-aided diagnosis of melanoma | |
| US20070223807A1 (en) | Medical imaging visibility index system and method for cancer lesions | |
| Suhail et al. | Automatic detection of abnormalities in mammograms | |
| Ortiz-Rodriguez et al. | Breast cancer detection by means of artificial neural networks | |
| US20210209755A1 (en) | Automatic lesion border selection based on morphology and color features | |
| Giannini et al. | Specificity improvement of a CAD system for multiparametric MR prostate cancer using texture features and artificial neural networks | |
| CN117635616A (zh) | 用于医学检查结果互认的影像诊断*** | |
| CN117481672B (zh) | 一种乳腺组织硬化初期快速筛查智能方法 | |
| CN113924046A (zh) | 用于将器官肿块分类为囊肿的基于计算机的方法 | |
| Sahu et al. | Segmentation of encephalon tumor by applying soft computing methodologies from magnetic resonance images | |
| Karahaliou et al. | A texture analysis approach for characterizing microcalcifications on mammograms | |
| Van Raad et al. | Lesion margin analysis for automated classification of cervical cancer lesions | |
| Srinivasan et al. | Segmentation and classification of cervix lesions by pattern and texture analysis | |
| Spyrou et al. | “Hippocrates-mst”: a prototype for computer-aided microcalcification analysis and risk assessment for breast cancer | |
| CN113425266B (zh) | 一种基于红外成像的皮肤癌筛查*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |