[发明专利]一种乳腺钼靶AI辅助筛查方法

权利要求书

1.一种乳腺钼靶AI辅助筛查方法，其特征在于，包括以下步骤：

步骤S1：获取影像数据和非影像数据并输入；其中，影像数据包括左右乳房CC位和MLO位钼靶影像以及对应影像的乳腺肿瘤标签，进行有监督的多任务分类学习；

步骤S2：构建良恶性检测模型；即，利用步骤S1中的多任务分类学习，同时学习良恶性分类任务和BI-RADS分类任务，提取每个病人4张影像的CNN特征和非影像特征，对前面的提取的CNN特征和非影像特征进行串联，输入良恶性分类模型进行学习该病人是否患有癌症，同时输入BI-RADS分类器学习BI-RADS等级；

对于左右乳房均分配两个二进制标签：乳房中是否存在恶性发现以及乳房中是否存在良性发现；对于左右乳房，每次检查总共有四个二进制标签；针对每个检查生成与四个标签相对应的四个预测；对于CC视图，将每个图像裁剪为2677×1942像素的固定大小，对于MLO视图，则将其固定为2974×1748像素的固定大小；

提供深度学习多视角CNN模型架构，网络包含两个核心模块：1）、4张钼靶影像，分别输入ResNet-22模型，用于提取每个病人4张影像的CNN特征，每一个钼靶影像产生固定大小为256维度隐式表达；2）、从隐式表达到结果预测使用两个全连接层进行映射；将左乳房CC位和右乳房CC位表示连接成512维向量，并应用两个完全连接的层来生成四个输出的预测；对于左乳房MLO位和右乳房MLO位视图，执行相同的操作；对模型的CC和MLO分支预测的概率求平均，以获得最终的预测；

步骤S3：构建病灶区域定位模型；经过前面的良恶性检测模型，一旦检测到患有癌症的可能性，输入病灶区域定位模型，利用Faster-RCNN进行病灶定位和识别，输出病灶在关联影像上的位置和病灶的类型；

在病灶区域定位模型中使用的是基于VGG16的Faster-RCNN网络，即，是16层深的CNN；最后一层可检测图像中的两种对象，良性病变或恶性病变；该模型为每个检测到的病变输出一个边界框和一个分数，以反映对病变类别的置信度；为了用一个分数来描述图像，将图像中检测到的所有恶性病变的分数取最大值。

2.如权利要求1所述的一种乳腺钼靶AI辅助筛查方法，其特征在于，步骤S1中所述非影像数据包括病人年龄和乳腺密度等级。

3.如权利要求1所述的一种乳腺钼靶AI辅助筛查方法，其特征在于，步骤S1中获取影像数据具体为：

获取第一时刻影像数据；即，在第一时刻获取的影像数据，包括左右乳房CC位和MLO位钼靶影像以及对应影像的乳腺肿瘤标签；

获取第二时刻影像数据；即，在第二时刻获取的与第一时刻同一病人的影像数据，同样包括左右乳房CC位和MLO位钼靶影像以及对应影像的乳腺肿瘤标签；

其中，所述第一时刻与第二时刻不同。

4.如权利要求3所述的一种乳腺钼靶AI辅助筛查方法，其特征在于，当步骤S1中输入第一时刻影像数据，且步骤S2中良恶性检测模型输出预测有患癌症可能时；

暂时保留此次输出预测结果，即保留第一时刻输出预测结果；

在步骤S1中输入第二时刻影像数据，在步骤S2中得到第二时刻输出预测结果；

当第一时刻输出预测结果与第二时刻输出预测结果相同时，执行步骤S3；

当第一时刻输出预测结果与第二时刻输出预测结果不同时，停止步骤S3并发出异常报警。

5.如权利要求1所述的一种乳腺钼靶AI辅助筛查方法，其特征在于，步骤S1中获取影像数据具体为：

获取第一设备影像数据；即，通过第一设备获取的影像数据，包括左右乳房CC位和MLO位钼靶影像以及对应影像的乳腺肿瘤标签；

获取第二设备影像数据；即，通过第二设备获取的与第一设备同一病人的影像数据，同样包括左右乳房CC位和MLO位钼靶影像以及对应影像的乳腺肿瘤标签；

其中，所述第一设备与第二设备不同。

6.如权利要求1所述的一种乳腺钼靶AI辅助筛查方法，其特征在于，当步骤S1中输入第一设备影像数据，且步骤S2中良恶性检测模型输出预测有患癌症可能时；

暂时保留此次输出预测结果，即保留第一设备输出预测结果；

在步骤S1中输入第二设备影像数据，在步骤S2中得到第二设备输出预测结果；

当第一设备输出预测结果与第二设备输出预测结果相同时，执行步骤S3；

当第一设备输出预测结果与第二设备输出预测结果不同时，停止步骤S3并发出异常报警。