乳腺的超声成像方法及设备技术

本发明专利技术实施例提供一种乳腺的超声成像方法及设备，该方法包括：获取被检者乳腺区域的超声图像；基于预训练的乳腺病灶智能化分析模型对所述超声图像进行分析，得到所述被检者乳腺区域中乳腺病灶的BI

【技术实现步骤摘要】
乳腺的超声成像方法及设备


[0001]本专利技术实施例涉及医疗影像处理
，具体涉及一种乳腺的超声成像 方法及设备。

技术介绍

[0002]乳腺癌是发生在乳腺腺上皮组织的恶性肿瘤，据癌症统计数据显示乳腺癌 位于女性恶性肿瘤发病率的首位，因此对于乳腺癌的早期筛查显得尤为重要。 乳腺超声能够清楚地显示乳腺各层软组织及其中病灶的位置、形态、内部结构 及相邻组织的改变，且具有经济、便捷、无创伤、无痛苦、无放射性和重复性 强等诸多优点，已成为乳腺癌早期筛查的重要方式之一。
[0003]乳腺病灶的征象复杂，目前在临床诊断过程中使用较为广泛且相对权威的 诊断标准是由美国放射协会(American College of Radiology，ACR)提出的乳腺影 像报告和数据系统(Breast Imaging Reporting and Data system，BI
‑
RADS)。 BI
‑
RADS使用统一的、专业的术语对病灶进行诊断归类，但其诊断规则复杂繁 多，对于低年资或基层医院医生来说难于记忆，进而影响了临床医生诊断的效 率。随着人工智能技术尤其是深度学习等技术的飞速发展，计算机辅助诊断用 于对乳腺超声图像进行智能化分析，为临床提供了自动化、高效的辅助诊断工 具，具有巨大的临床价值。现有基于人工智能技术的乳腺超声图像分析方法和 系统，虽然有助于提高临床医生诊断的效率，但是由于其通常仅以图像信息作 为输入数据进行分析，辅助诊断的准确性仍有待提高。

技术实现思路

[0004]本专利技术实施例提供一种乳腺的超声成像方法及设备，用于解决现有方法准 确性低的问题。
[0005]第一方面，本专利技术实施例提供一种乳腺的超声成像方法，包括：
[0006]获取被检者乳腺区域的超声图像；
[0007]基于预训练的乳腺病灶智能化分析模型对所述超声图像进行分析，得到所 述被检者乳腺区域中乳腺病灶的BI
‑
RADS特征集合取值对应的第一特征值集合， 所述乳腺病灶智能化分析模型基于标注了BI
‑
RADS特征集合取值的样本超声图 像训练得到；
[0008]检测用户对所述第一特征值集合修改或确认的操作，以获得第二特征值集 合；
[0009]根据所述第一特征值集合、所述第二特征值集合以及所述超声图像确定所 述乳腺病灶的BI
‑
RADS分级。
[0010]一种实施例中，所述BI
‑
RADS特征集合包括形状类型、方向类型、边缘类 型、回声类型、后方回声类型、钙化类型和血供类型。
[0011]一种实施例中，所述根据所述第一特征值集合、所述第二特征值集合以及 所述超声图像确定所述乳腺病灶的BI
‑
RADS分级，包括：
[0012]基于所述超声图像获取图像信息特征向量其中，x
i
为从所述 超
声图像中提取的所述BI
‑
RADS特征集合中第i个BI
‑
RADS特征对应的特征向 量，w
i
为x
i
的初始权重，n为所述BI
‑
RADS特征集合中BI
‑
RADS特征的数量；
[0013]若第i个BI
‑
RADS特征在所述第一特征值集合和所述第二特征值集合中取 值相同时，则通过w
′
i
＝w
i
+Δ调整x
i
的权重；若第i个BI
‑
RADS特征在所述第 一特征值集合和所述第二特征值集合中取值不相同时，则通过w
′
i
＝w
i
‑
Δ调整 x
i
的权重；其中，Δ为权重调整量，w
′
i
为调整之后x
i
的权重；
[0014]根据各BI
‑
RADS特征对应的特征向量以及对应的调整之后的权重确定用于 确定所述乳腺病灶的BI
‑
RADS分级的图像信息特征向量
[0015]将所述用于确定所述乳腺病灶的BI
‑
RADS分级的图像信息特征向量X
′
输入 预训练的BI
‑
RADS分级模型，以得到所述乳腺病灶的BI
‑
RADS分级，所述 BI
‑
RADS分级模型基于标注了BI
‑
RADS分级的样本特征向量训练得到。
[0016]一种实施例中，所述方法还包括：
[0017]基于所述第二特征值集合获取属性特征向量其中，y
i
为第i 个BI
‑
RADS特征在所述第二特征值集合中的取值，r
i
为y
i
的初始权重；
[0018]若第i个BI
‑
RADS特征在所述第一特征值集合和所述第二特征值集合中取 值相同时，则通过r
′
i
＝r
i
+Δ调整y
i
的权重；若第i个BI
‑
RADS特征在所述第一 特征值集合和所述第二特征值集合中取值不相同时，则通过r
′
i
＝r
i
‑
Δ调整y
i
的 权重；其中，r
′
i
为调整之后y
i
的权重；
[0019]根据各BI
‑
RADS特征在所述第二特征值集合中的取值以及对应的调整之后 的权重，确定用于确定所述乳腺病灶的BI
‑
RADS分级的属性信息特征向量 [0020]将所述用于确定所述乳腺病灶的BI
‑
RADS分级的图像信息特征向量X
′
以及 所述用于确定所述乳腺病灶的BI
‑
RADS分级的属性信息特征向量Y
′
进行融合；
[0021]将融合后的特征向量输入所述预训练的BI
‑
RADS分级模型，以得到所述乳 腺病灶的BI
‑
RADS分级。
[0022]一种实施例中，所述获取被检者乳腺区域的超声图像为多帧超声图像，则 所述基于预训练的乳腺病灶智能化分析模型对所述超声图像进行分析，得到所 述被检者乳腺区域中乳腺病灶的BI
‑
RADS特征集合取值对应的第一特征值集合， 包括：
[0023]基于预训练的乳腺病灶智能化分析模型对所述多帧超声图像中的任意一帧 超声图像进行分析，得到所述任意一帧超声图像对应的BI
‑
RADS特征集合的取 值集合；
[0024]根据预设策略从所述多帧超声图像对应的BI
‑
RADS特征集合的取值集合获 得所述第一特征值集合。
[0025]一种实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种乳腺的超声成像方法，其特征在于，包括：获取被检者乳腺区域的超声图像；基于预训练的乳腺病灶智能化分析模型对所述超声图像进行分析，得到所述被检者乳腺区域中乳腺病灶的BI
‑
RADS特征集合取值对应的第一特征值集合，所述乳腺病灶智能化分析模型基于标注了BI
‑
RADS特征集合取值的样本超声图像训练得到；检测用户对所述第一特征值集合修改或确认的操作，以获得第二特征值集合；根据所述第一特征值集合、所述第二特征值集合以及所述超声图像确定所述乳腺病灶的BI
‑
RADS分级。2.如权利要求1所述的方法，其特征在于，所述BI
‑
RADS特征集合包括形状类型、方向类型、边缘类型、回声类型、后方回声类型、钙化类型和血供类型。3.如权利要求1所述的方法，其特征在于，所述根据所述第一特征值集合、所述第二特征值集合以及所述超声图像确定所述乳腺病灶的BI
‑
RADS分级，包括：基于所述超声图像获取图像信息特征向量其中，x
i
为从所述超声图像中提取的所述BI
‑
RADS特征集合中第i个BI
‑
RADS特征对应的特征向量，w
i
为x
i
的初始权重，n为所述BI
‑
RADS特征集合中BI
‑
RADS特征的数量；若第i个BI
‑
RADS特征在所述第一特征值集合和所述第二特征值集合中取值相同时，则通过w
′
i
＝w
i
+Δ调整x
i
的权重；若第i个BI
‑
RADS特征在所述第一特征值集合和所述第二特征值集合中取值不相同时，则通过w
′
i
＝w
i
‑
Δ调整x
i
的权重；其中，Δ为权重调整量，w
′
i
为调整之后x
i
的权重；根据各BI
‑
RADS特征对应的特征向量以及对应的调整之后的权重确定用于确定所述乳腺病灶的BI
‑
RADS分级的图像信息特征向量将所述用于确定所述乳腺病灶的BI
‑
RADS分级的图像信息特征向量X
′
输入预训练的BI
‑
RADS分级模型，以得到所述乳腺病灶的BI
‑
RADS分级，所述BI
‑
RADS分级模型基于标注了BI
‑
RADS分级的样本特征向量训练得到。4.如权利要求3所述的方法，其特征在于，所述方法还包括：基于所述第二特征值集合获取属性特征向量其中，y
i
为第i个BI
‑
RADS特征在所述第二特征值集合中的取值，r
i
为y
i
的初始权重；若第i个BI
‑
RADS特征在所述第一特征值集合和所述第二特征值集合中取值相同时，则通过r
′
i
＝r
i
+Δ调整y
i
的权重；若第i个BI
‑
RADS特征在所述第一特征值集合和所述第二特征值集合中取值不相同时，则通过r
′
i
＝r
i
‑

【专利技术属性】
技术研发人员：姜玉新，王红燕，李建初，徐雯，安兴，朱磊，董多，
申请(专利权)人：深圳迈瑞生物医疗电子股份有限公司，
类型：发明
国别省市：