[发明专利]用于自动估计病变特质的光声图像分析方法和系统

权利要求书

1.一种用于执行光声分类预测的方法，包括：

关于如下操作，利用一个或多个处理器以：

接收与从针对感兴趣体积的患者检查中收集的OA图像相关的OA特征分数，所述感兴趣体积包括病变；

将所述OA特征分数应用于分类模型以获得指示病变的特质的预测结果；以及

输出所述预测结果。

2.如权利要求1的方法，还包括：接收与从针对感兴趣体积的患者检查中收集的非OA图像相关的非OA特征分数，以及将所述非OA特征分数与所述OA特征分数相组合地应用于分类模型以获得预测结果。

3.如权利要求1所述的方法，其中，所述非OA特征分数涉及以下超声特征中的一个或多个：1)US形状分数，2)US内部纹理，3)US声音传输，4)US囊状区或边界区，5)US外围区，6)患者年龄，7)乳房X光检查-BIRADS，8)病变大小，或9)病变后深度。

4.如权利要求1所述的方法，其中，所述预测结果：i)指示病变是处于恶性类或良性类的可能性，ii)指示护理路径决策；和/或iii)病变是处于恶性类或良性类的恶性可能性(LOM)标志符。

5.如权利要求4的所述方法，其中，所述LOM标志符表示平均置信度区间，并且其中，所述预测结果还包括置信度区间范围。

6.如权利要求1所述的方法，其中，所述应用操作包括将所述OA特征分数应用于分类模型的集合，所述分类模型的至少一部分输出对应的预测结果，所述方法还包括：组合所述预测结果以形成指示病变是处于恶性类的可能性的复合预测结果。

7.如权利要求5所述的方法，其中，所述分类模型表示决策树，所述决策树包括决策点、分支和病变特质，所述应用操作包括在决策点测试OA特征分数，并基于所述测试通过决策树进行分支，直到到达所述病变特质之一。

8.如权利要求1所述的方法，其中，所述分类模型利用预测性机器学习分类器和标签数据集来建立，所述标签数据集包括OA特征分数和针对所述数据集中病变的恶性或良性标签。

9.一种用于建立与光声(OA)分类预测相关的分类模型的方法，包括：

关于如下操作，利用一个或多个处理器以：

接收针对多个患者的标签数据集，所述标签数据集包括来自针对多个患者的检查的感兴趣体积的OA图像中的病变的OA特征分数，所述标签数据集包括指示病变特质的类标志符；以及

基于所述标签数据集，利用预测性机器学习(PML)分类器以建立分类模型的集合，其中，所述分类模型中的每一个分类模型包括指示所述病变特质的预测结果。

10.如权利要求9所述的方法，其中，所述标签数据集包括以下各项的组合：i)来自针对多个患者的检查的OA图像的OA特征分数，ii)已经被确定并与OA特征分数一起记录的类标志符，以及iii)针对来自多个患者的检查的非OA图像的非OA特征分数。

11.如权利要求9所述的方法，其中，所述PML分类器包括分类和回归树(CART)、C4.5决策树、K最近邻、支持向量机(SVM)和朴素贝叶斯分类器中的一种或多种。

12.如权利要求9所述的方法，其中，所述PML分类器利用随机森林算法来形成对应于所述分类模型的决策树的集合。

13.如权利要求9所述的方法，其中，所述PML分类器利用极端梯度提升算法来形成所述分类模型。

14.如权利要求9所述的方法，其中，所述极端梯度提升算法与分类和回归树(CART)决策树组合使用来形成分类模型。

15.如权利要求9所述的方法，其中，所述分类模型表示决策树，所述决策树包括决策点、分支和病变特质。