[发明专利]乳腺X射线影像反对称生成分析模型训练方法和装置

说明书

本申请实施例提供了一种乳腺X射线影像反对称生成分析模型训练方法和装置，解决了现有乳腺X射线影像分析方式的效率低和准确率低的问题。该乳腺X射线影像反对称生成分析模型训练方法包括：基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征，其中，所述双侧乳腺X射线影像分别对应左乳和右乳；将所述原双侧乳腺图像特征输入神经网络模型以获取与所述原双侧乳腺图像特征的特征信息相反的反对称分析结果；计算所生成的所述反对称分析结果与原双侧乳腺图像特征之间的损失函数取值；以及基于所述损失函数取值调整所述神经网络模型的参数。

技术领域

本申请涉及影像分析技术领域，具体涉及一种乳腺X射线影像反对称生成分析模型训练方法、装置、电子设备和计算机可读存储介质。

背景技术

目前在世界范围内，乳腺癌是女性中发病率最高的癌症。乳腺X射线影像是乳腺癌早期筛查最重要的手段。由于X射线穿过人体时，被吸收的程度不同，通过人体后的X射线量就不同，这样所形成的影像便携带了人体各部密度分布的信息，在荧光屏上或摄影胶片上引起的荧光作用或感光作用的强弱就有较大差别，因而在荧光屏上或摄影胶片上(经过显影、定影)将显示出不同密度的阴影。根据阴影浓淡的对比，结合临床表现、化验结果和病理诊断，即可判断人体某一部分是否正常。

现有的基于乳腺X射线影像的分析方法大多是基于已有病灶区域的标注，利用神经网络学习病灶区域从而得到良恶性的分析结果。但是病灶区域的标注是需要大量的有经验的医生来进行的，所以这种标注是非常难获得的，模型训练的效率低。然而，若仅利用病理结果来训练模型的一个难点就是如何正确定位到病灶区域。很多情况下，病灶的表征跟致密的腺体非常像，往往会与正常腺体混淆。现有的方法都在是单张图像上做一些提取局部特征或者给一些比较宽泛的约束来达到定位病灶的目的，但这种分析方式的准确率是比较低的。

发明内容

有鉴于此，本申请实施例提供了一种乳腺X射线影像反对称生成分析模型训练方法和装置，解决了现有乳腺X射线影像分析方式的效率低和准确率低的问题。

根据本申请的一个方面，本申请一实施例提供的一种乳腺X射线影像反对称生成分析模型训练方法包括：基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征，其中，所述双侧乳腺X射线影像分别对应左乳和右乳；将所述原双侧乳腺图像特征输入神经网络模型以获取与所述原双侧乳腺图像特征的特征信息相反的反对称分析结果；计算所生成的所述反对称分析结果与原双侧乳腺图像特征之间的损失函数取值；以及基于所述损失函数取值调整所述神经网络模型的参数。

在本申请一实施例中，所述方法进一步包括：将所述反对称分析结果和所述原双侧乳腺图像特征输入所述神经网络模型进行弱监督学习。

在本申请一实施例中，在基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征之前，所述方法进一步包括：对所述双侧乳腺X射线影像进行预处理。

在本申请一实施例中，所述对所述双侧乳腺X射线影像进行预处理包括：对所述双侧乳腺X射线影像进行灰度归一化处理；以二值化的方式压缩所述双侧乳腺X射线影像；获取所述双侧乳腺X射线影像中的双侧乳腺区域影像；以及对所述双侧乳腺区域影像分别进行开操作以对齐所述双侧乳腺区域影像。

在本申请一实施例中，所述特征提取模型包括以下模型种类中的一种：ResNet、AlexNet、DenseNet。

在本申请一实施例中，所述神经网络模型包括以下层中的一种或多种组合：卷积层、池化层和全连接层。

在本申请一实施例中，所述损失函数取值所基于的损失函数包括以下函数中的一种或多种组合：对比损失、三元组损失、N对损失、倒角损失和搬土损失。