[发明专利]基于机器学习的疾病分级方法、装置、设备及介质

说明书

本申请公开了一种基于机器学习的疾病分级方法、装置、设备及介质，所述方法属于医学人工智能领域，所述系统包括：获取乳腺超声图像；调用多任务网络对乳腺超声图像进行处理，得到乳腺超声图像的第一特征图和语义分割图，第一特征图包括乳腺超声图像的高层语义特征，语义分割图是对乳腺超声图像中的病灶区域进行语义分割的图；根据语义分割图对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；根据第二特征图预测得到乳腺超声图像的BI‑RADS分级。本申请采用了具有分类引导的高层语义特征作为主要分级特征，并且引入病灶轮廓来对病灶区域和非病灶区域进行不同的特征提取，回归出准确的BI‑RADS分级结果。

技术领域

本申请实施例涉及机器学习领域，特别涉及一种基于机器学习的疾病分级方法、装置、设备及介质。

背景技术

乳腺癌是女性头号杀手，早诊断早治疗是减少乳腺癌致死率的最有效途径。超声图像检查由于实时、价格低廉以及无辐射的特性，是国内使用最广的乳腺癌筛查手段。乳腺影像报告和数据系统(Breast imaging reporting and data system，BI-RADS)分级是对乳腺癌进行分级的临床指标。

相关技术中，采用神经网络模型对乳腺超声图像中的病灶进行识别，从而定位出乳腺超声图像中的可疑病灶以及良恶性预测结果，然后，由医生根据乳腺超声图像中的所有异常信息推断出该乳腺超声图像整体的BI-RADS评分。

由于乳腺超声图像中的对比度较差，所以相关技术中尚无法直接对乳腺超声图像的BI-RADS级别进行预测。

发明内容

本申请实施例提供了一种基于机器学习的疾病分级方法、装置、设备及介质，可以解决乳腺超声图像中的对比度较差，所以相关技术中尚无法直接对乳腺超声图像的BI-RADS级别进行预测的问题。所述技术方案如下：

根据本申请的一个方面，提供了一种基于机器学习的疾病分级方法，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BI-RADS分级。

根据本申请的一个方面，提供了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。

根据本申请的另一方面，提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器存储有至少一条程序，所述至少一条程序由所述处理器加载并执行以实现如上所述的基于机器学习的疾病分级方法。

根据本申请的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序，所述至少一条程序由处理器加载并执行以实现如上所述的基于机器学习的疾病分级方法。