【技术实现步骤摘要】
本专利技术属于影像分类，具体涉及一种基于深度学习的乳腺影像组学分类方法及系统。
技术介绍
1、在女性乳腺癌的筛查过程中，存在无法确定发病年龄高峰期、由于不同筛查站点医师的诊断经验水平不一致而存在的筛查结果不佳等问题，在乳腺钼靶检查、乳腺超声检查、乳腺磁共振成像(mri)、乳腺组织活检等检查方式中，mri检查相对乳房钼靶检查有着更高的可靠性，但mri检查成本相对更高，乳腺组织活检有创性更大。进行可靠的风险分层，以选择哪些妇女应该接受钼靶、超声或采用其他方式进行筛查具有重要的意义。
2、目前基于神经网络的病灶位置、类的确定存在准确率低，鲁棒性差的问题，因此，如何进一步提升乳腺癌的筛查过程中发现早期病灶的准确率，适合患者的筛查方式以及辅助检查是至关重要的。
技术实现思路
1、针对上述问题，本专利技术提出了一种基于ai技术深度学习的乳腺影像组学分类方法及系统。
2、本专利技术提出的一种基于深度学习的乳腺影像组学分类方法，包括如下步骤：
3、(1)获取乳腺钼靶数据集，对乳腺钼靶数据集中的病灶区域进行标注分类。
4、(2)获取乳腺超声数据集，使用与乳腺钼靶数据同样的方式对乳腺超声数据进行标注分类。
5、(3)分别针对乳腺钼靶数据集和乳腺超声数据集进行数据预处理。
6、数据预处理包括：首先采用mosaic方法进行数据扩充，将4张影像进行随机缩放、裁剪、排布后将其拼接为一张。其次进行图像水平、垂直翻转。最后通过对比度增强进行数
7、(4)获取组织活检影像数据集，对其图像做水平、垂直翻转的数据增广。
8、(5)基于yolov5模型构建乳腺影像组学分类模型，并利用乳腺钼靶数据集、乳腺超声数据集、组织活检影像数据集进行乳腺影像组学分类模型训练。
9、建乳腺影像组学分类模型实现过程如下：
10、5.1、基于yolov5模型进行改进，对乳腺钼靶和乳腺超声病灶进行预测，输出预测特征图。
11、将根据乳腺钼靶和超声影像病灶特征稀疏性的特点，对yolov5模型进行改进如下：(1)将yolov5算法backbone(骨干网络)第一层的focus层替换成一个卷积层，增加病灶特征中浅层信息的提取；(2)将yolov5的backbone的c3更改为mobilevitv3，能够融合输入和全局特征，增加对病灶输入特征和全局特征的提取；(3)将yolov5模型中的spp层(空间金字塔池化层)替换成sppf层(空间金字塔池化森林层)；(4)将yolov5模型中的neck模块(颈部网络)从panet模块(路径聚合网络)改为bifpn(加权双向特征金字塔网络)。
12、5.2、采用预训练好的xception分类模型分别对乳腺钼靶数据集、乳腺超声数据集的预测特征图，以及组织活检影像数据集进行分类，输出三个分类结果。
13、5.3、利用神经网络构造分类器，基于三个分类结果，通过对不同分类结果概率进行计算，获得最优的决策，输出乳腺影像组学分类结果。
14、(6)分别采用预处理后的乳腺钼靶数据集和乳腺超声数据集，通过训练后的乳腺影像组学分类模型对进行预测，输出分类结果。
15、一种基于深度学习的乳腺影像组学分类系统，由数据模块、模型构建模块,模型训练模块、显示模块构成。
16、数据模块，用于获取乳腺钼靶数据集、乳腺超声数据集、组织活检影像数据集，并进行数据预处理。
17、模型构建模块，通过改进的yolov5对预处理后的腺钼靶数据集、乳腺超声数据集进行预测输出预测特征图，并将特征图以及组织活检影像数据集分别放入xception模型作为影像组学良恶性病灶分类模型，将获取的三种分类结果利用神经网络进行决策计算，获得影像分类结果。
18、模型训练模块，用于基于所述训练集对所述三模态影像深度学习融合模型进行训练，将结果最好的模型进行保存。
19、显示模块，用于显示输入的乳腺钼靶数据、乳腺超声数据、组织活检影像数据，以及对应的乳腺影像组学分类结果。
20、与现有技术相比，本专利技术的有益效果为：
21、(1)该方法将人工智能技术引入智慧医疗，能够将同一患者的乳腺钼靶影像、乳腺超声影像以及病理学图像相结合，可对同一患者的不同检查影像数据组合，应用乳腺影像组学对其进行综合计算。首先，使用目标检测模型对乳腺钼靶和超声影像进行病灶位置的初步确定，再将得到的病灶区域图像和组织活检图像送入相对应的判别模型，得到其类别。
22、(2)该方法将数据分层组合生成结构化报告，设计了一款数据分层组合生成可视化报告系统，患者的乳腺数据有多种组合形式，例如一位患者持有乳腺钼靶数据、乳腺超声数据以及组织活检数据，另一位患者只持有乳腺钼靶数据与组织活检数据，均可应用乳腺影像组学与判别计算决策进行综合决策计算，操作方便、可靠、高效。
23、(3)该方法将大数据人工智能应用到医疗方向，将在可视化的结构报告软件中，可以进行更换目标检测和分类网络模型，即可快速完成其模型优化,针对乳腺数据的特殊性进行了模型改进，通用性强。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的乳腺影像组学分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的乳腺影像组学分类方法，其特征在于，步骤3所述的数据预处理包括：首先采用Mosaic方法进行数据扩充，将4张影像进行随机缩放、裁剪、排布后将其拼接为一张；其次进行图像水平、垂直翻转；最后通过对比度增强进行数据处理。
3.根据权利要求2所述的基于深度学习的乳腺影像组学分类方法，其特征在于，步骤5所述乳腺影像组学分类模型实现过程如下：
4.根据权利要求3所述的基于深度学习的乳腺影像组学分类方法，其特征在于，步骤5.1所述对YOLOv5模型进行改进如下：
5.一种基于深度学习的乳腺影像组学分类系统，用于实现权利要求1至4任一所述的分类方法，其特征在于，包括数据模块、模型构建模块、模型训练模块和显示模块构；
【技术特征摘要】
1.一种基于深度学习的乳腺影像组学分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的乳腺影像组学分类方法，其特征在于，步骤3所述的数据预处理包括：首先采用mosaic方法进行数据扩充，将4张影像进行随机缩放、裁剪、排布后将其拼接为一张；其次进行图像水平、垂直翻转；最后通过对比度增强进行数据处理。
3.根据权利要求2所述的基于深度学...
【专利技术属性】
技术研发人员：林昕，陈丰农，刘元振，房椿浩，郑雨睿，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。