[发明专利]一种基于乳腺癌分子分型超声多模态自动识别方法和装置

权利要求书

1.一种基于乳腺癌分子分型超声多模态自动识别模型的生成方法，其特征在于，包括如下步骤，

S1、对乳腺癌分子分型的灰阶、彩超和弹性超声图像进行降噪预处理；

S2、将预处理后的三种超声图像进行数据增强；

S3、将增强后的三种超声图像进行模态模型训练；

S4、对训练形成的灰阶、彩超、弹性模型进行集成。

2.根据权利要求1所述的一种基于乳腺癌分子分型超声多模态自动识别模型的生成方法，其特征在于，所述S1包括，

S11、从原始的乳腺癌超声图像的影像区域中，取左上和右下为两端截取图像；

S12、对截取的图像进行灰度化；

S13、以零为阈值剪去灰度化后图像像素最低值；

S14、对S13得到图像进行开运算，腐蚀图像噪音区域；

S15、采用找寻最大值连通区域算法，确定最大噪音区域后进行矩形拟合；

S16、获取矩形拟合图像与截取图像的交集，完成图像的降噪预处理。

3.根据权利要求1所述的一种基于乳腺癌分子分型超声多模态自动识别模型的生成方法，其特征在于，所述S2包括，

S21、将降噪后的三种超声图像的数据增强旋转角度、旋转方向、随机剪切位置、缩放大小保持一致。

S22、对S21得到的超声图像采用mixup数据增强方式进行数据增强。

4.根据权利要求1所述的一种基于乳腺癌分子分型超声多模态自动识别模型的生成方法，其特征在于，所述S3包括，

S31、采用三个参数不共享的ResNet对增强后的三种超声图像进行特征抽取，对抽取到三个不同模态的图像特征通过不同的卷积网络进行训练。

5.根据权利要求1所述的一种基于乳腺癌分子分型超声多模态自动识别模型的生成方法，其特征在于，S4包括，

S41、根据公式1对训练形成的灰阶、彩超、弹性模型进行集成：

Score＝a*Gray+b*Color+c*Elastic 公式1；

其中a+b+c＝1,且1a0,1b0,1c0

Gray、Color、Elastic分别为灰阶、彩超、弹性预测结节为恶性的概率值。

S42、通过以0.01为间隔遍历0～1中所有的参数空间，搜索出Score最大的值。参数空间是指a、b、c、以0.01为间隔遍历0～1区间，a＝0.01、0.02、0.03......0.99、1.00，b,c也是如此。

6.一种基于乳腺癌分子分型超声多模态自动识别模型的生成方法装置，其特征在于，包括，

数据预处理模块，用于对乳腺癌分子分型的灰阶、彩超和弹性超声图像降噪预处理。

数据增强模块，用于将预处理后的三种超声图像进行数据增强。

训练模块，将增强后的三种超声图像进行模态模型训练。

集成模块，对训练形成的灰阶、彩超、弹性模型进行集成。

7.根据权利要求6所述的一种基于乳腺癌分子分型超声多模态自动识别模型的生成方法装置，其特征在于，包括，所述装置的截取位置为左上和右下，数据增强旋转角度、旋转方向、随机剪切位置、缩放大小保持一致，采用mixup数据增强方式进行数据增强。

8.根据权利要求6所述的一种基于乳腺癌分子分型超声多模态自动识别模型的生成方法装置，其特征在于，包括，所述装置特征抽取采用三个参数不共享的ResNet，装置集成方法为

Score＝a*Gray+b*Color+c*Elastic 公式1；

其中a+b+c＝1,且1a0,1b0,1c0

Gray、Color、Elastic分别为灰阶、彩超、弹性预测结节为恶性的概率值。

通过以0.01为间隔遍历0～1中所有的参数空间，搜索出Score最大的值。参数空间是指a、b、c、以0.01为间隔遍历0～1区间，a＝0.01、0.02、0.03......0.99、1.00，b,c也是如此。