[发明专利]基于深度卷积神经网络的乳腺癌辅助诊断方法及装置

说明书

本发明公开了一种基于深度卷积神经网络的乳腺癌辅助诊断方法及装置，包括以下步骤：获取乳腺癌CT图像，对乳腺癌CT图像进行预处理；采用深度卷积神经网络的医学图像分割算法对乳腺癌CT图像进行病灶分割；将分割结果以图片的格式进行反馈输出，并将输出的数据传输至后台存储。通过采用深度卷积神经网络的医学图像分割算法对乳腺癌CT图像进行病灶分割，由于上述深度卷积神经网络是经过了大量相关图像训练后得到的算法模型，因此相应的图像经过该算法模型的分割后所输出的结果正确率较高，在医生确诊前，通过上述算法可以快速得到初步的结果，再将相应结果以图片的格式反馈给医生，为医生的确诊提供重要的参考，从而有效提升乳腺癌的诊断效率。

技术领域

本发明涉及医疗器械的技术领域，特别涉及一种基于深度卷积神经网络的乳腺癌辅助诊断方法及装置。

背景技术

全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势。美国8名妇女一生中就会有1人患乳腺癌。中国不是乳腺癌的高发国家，但不宜乐观，近年我国乳腺癌发病率的增长速度却高出高发国家1～2个百分点。据国家癌症中心和卫生部疾病预防控制局2012年公布的2009年乳腺癌发病数据显示：全国肿瘤登记地区乳腺癌发病率位居女性恶性肿瘤的第1位，女性乳腺癌发病率(粗率)全国合计为42.55/10万，城市为51.91/10万，农村为23.12/10万，乳腺癌已成为当前社会的重大公共卫生问题。

乳腺癌种类以及形状多种多样，大部分病灶区域小，使得在临床诊断过程非常困难，需要医生花费大量时间去观察、检查确定乳腺癌的种类、形态以及区域状况。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于深度卷积神经网络的乳腺癌辅助诊断方法及装置，能够有效提高乳腺癌的诊断效率。

本发明的第一方面，提供一种基于深度卷积神经网络的乳腺癌辅助诊断方法，包括以下步骤：

获取乳腺癌CT图像，对乳腺癌CT图像进行预处理；

采用深度卷积神经网络的医学图像分割算法对乳腺癌CT图像进行病灶分割；

将分割结果以图片的格式进行反馈输出，并将输出的数据传输至后台存储。

上述的基于深度卷积神经网络的乳腺癌辅助诊断方法至少具有以下有益效果：通过采用深度卷积神经网络的医学图像分割算法对乳腺癌CT图像进行病灶分割，由于上述深度卷积神经网络是经过了大量相关图像训练后得到的算法模型，因此相应的图像经过该算法模型的分割后所输出的结果正确率较高，在医生确诊前，通过上述算法可以快速得到初步的结果，再将相应结果以图片的格式反馈给医生，为医生的确诊提供重要的参考，从而有效提升乳腺癌的诊断效率。

根据本发明第一方面所述的基于深度卷积神经网络的乳腺癌辅助诊断方法，所述获取乳腺癌CT图像，对乳腺癌CT图像进行预处理，包括：

调整乳腺癌CT图像窗宽，并进行直方图均衡化突出病灶部位；

然后对乳腺癌CT图像进行归一化、标准化操作。将乳腺癌CT图像窗宽窗位调整至合适大小转换为8位灰度级图像，再进行直方图均衡化突出病灶部位，可以实现图像对比度增强；而进行图像归一化、标准化操作使图像特征分布近似相同则便于神经网络的训练和预测。

根据本发明第一方面所述的基于深度卷积神经网络的乳腺癌辅助诊断方法，在对乳腺癌CT图像进行预处理后还包括：对数据进行增强操作，所述对数据进行增强操作包括，将数据进行镜像、缩放、以及弹性形变的操作。

根据本发明第一方面所述的基于深度卷积神经网络的乳腺癌辅助诊断方法，其特征在于，还包括：

将预处理后通过增强操作的乳腺癌CT图像数据，输入至一个多通道深度卷积神经网络进行再训练，通过Adam和SGD优化器不断迭代，同时对超参数进行调优。将预处理后乳腺癌CT图像作为再训练的数据集，可以提升深度卷积神经网络对乳腺癌分割的准确性和鲁棒性。