[发明专利]基于机器学习的疾病分级方法、装置、设备及介质

权利要求书

1.一种基于机器学习的疾病分级方法，其特征在于，所述方法包括：

获取乳腺超声图像；

调用多任务网络对所述乳腺超声图像进行处理，得到所述乳腺超声图像的第一特征图和语义分割图，所述第一特征图包括所述乳腺超声图像的高层语义特征，所述语义分割图是对所述乳腺超声图像中的病灶区域进行语义分割的图；

根据所述语义分割图对所述第一特征图中的病灶区域和非病灶区域进行不同权重的特征提取，得到第二特征图；

根据所述第二特征图预测得到所述乳腺超声图像的乳腺影像报告和数据系统BI-RADS分级。

2.根据权利要求1所述的方法，其特征在于，所述根据所述语义分割图对所述第一特征图中的病灶区域和非病灶区域进行不同权重的特征提取，得到第二特征图，包括：

对所述语义分割图进行随机采样特性处理，得到有效区域图；所述有效区域图包括所述病灶区域和具有随机采样特性的非病灶区域；

将所述有效区域图与所述第一特征图进行相乘，得到第二特征图。

3.根据权利要求2所述的方法，其特征在于，所述对所述语义分割图进行随机采样特性处理，得到有效区域图，包括：

对所述语义分割图进行高斯模糊处理和高斯噪声处理，得到所述有效区域图，所述高斯噪声包含像素值为1的噪声点。

4.根据权利要求1至3任一所述的方法，其特征在于，所述调用多任务网络对所述乳腺超声图像进行处理，得到所述乳腺超声图像的第一特征图和语义分割图，包括：

调用所述多任务网络中的语义分级分支对所述乳腺超声图像进行处理，得到所述乳腺超声图像的第一特征图；

调用所述多任务网络中的语义分割分支对所述乳腺超声图像进行处理，得到所述乳腺超声图像的语义分割图；

其中，所述语义分级分支和所述语义分割分支是共享使用所述高层语义特征的两个卷积神经网络分支。

5.根据权利要求1至3任一所述的方法，其特征在于，所述根据所述第二特征图预测得到所述乳腺超声图像的乳腺影像报告和数据系统BI-RADS分级，包括：

将所述第二特征图输入至全连接特征层进行回归处理，得到所述乳腺超声图像的BI-RADS分级。

6.一种基于机器学习的疾病分级装置，其特征在于，所述装置包括：

获取模块，用于获取乳腺超声图像；

处理模块，用于调用多任务网络对所述乳腺超声图像进行处理，得到所述乳腺超声图像的第一特征图和语义分割图，所述第一特征图包括所述乳腺超声图像的高层语义特征，所述语义分割图是对所述乳腺超声图像中的病灶区域进行语义分割的图；

提取模块，用于根据所述语义分割图对所述第一特征图中的病灶区域和非病灶区域进行不同权重的特征提取，得到第二特征图；

预测模块，用于根据所述第二特征图预测得到所述乳腺超声图像的乳腺影像报告和数据系统BI-RADS分级。

7.根据权利要求6所述的装置，其特征在于，所述提取模块，包括：

高斯处理子模块，用于对所述语义分割图进行随机采样特性处理，得到有效区域图；所述有效区域图包括所述病灶区域和具有随机采样特性的非病灶区域；

特征提取子模块，用于将所述有效区域图与所述第一特征图进行相乘，得到第二特征图。

8.根据权利要求7所述的装置，其特征在于，

所述高斯处理子模块，用于对所述语义分割图进行高斯模糊处理和高斯噪声处理，得到所述有效区域图，所述高斯噪声包含像素值为1的噪声点。

9.根据权利要求6至8任一所述的装置，其特征在于，

所述处理模块，用于调用所述多任务网络中的语义分级分支对所述乳腺超声图像进行处理，得到所述乳腺超声图像的第一特征图；调用所述多任务网络中的语义分割分支对所述乳腺超声图像进行处理，得到所述乳腺超声图像的语义分割图；

其中，所述语义分级分支和所述语义分割分支是共享使用所述高层语义特征的两个卷积神经网络分支。