[发明专利]一种乳腺超声图像分级方法、装置及电子设备和存储介质

权利要求书

1.一种乳腺超声图像分级方法，其特征在于，包括：

获取目标乳腺超声图像，将所述目标乳腺超声图像输入训练完成的深度学习模型中预测所述目标乳腺超声图像对应的目标恶性风险系数；

确定所述目标恶性风险系数所属的目标预测恶性风险系数范围，并根据预先建立的预测恶性风险系数范围与BI-RADS分级之间的映射关系确定所述目标预测恶性风险系数范围对应的目标BI-RADS分级。

2.根据权利要求1所述乳腺超声图像分级方法，其特征在于，还包括：

获取训练数据集；其中，所述训练数据集包括多幅乳腺超声图像；

根据病理结果对所述训练数据集中的每幅乳腺超声图像进行病灶良恶性标签的标注；

利用所述训练数据集中的乳腺超声图像和对应的病灶良恶性标签训练深度学习模型。

3.根据权利要求1所述乳腺超声图像分级方法，其特征在于，还包括：

获取实验数据集；其中，所述实验数据集包括多幅乳腺超声图像；

根据病理结果对所述实验数据集中的乳腺超声图像进行病灶良恶性标签的标注；

将所述实验数据集输入训练完成的深度学习模型中，得到每幅所述乳腺超声图像对应的预测恶性风险系数；

基于所述预测恶性系数将所有所述乳腺超声图像划分为多个分组，并确定每个所述分组对应的预测恶性风险系数范围；

基于每个所述分组中所述乳腺超声图像的病灶良恶性标签确定每个所述分组对应的实际恶性风险系数范围；

根据每个所述分组对应的预测恶性风险系数范围和实际恶性风险系数范围、实际恶性风险系数范围与BI-RADS分级之间的映射关系建立预测恶性风险系数范围与BI-RADS分级之间的映射关系。

4.根据权利要求3所述乳腺超声图像分级方法，其特征在于，所述基于每个所述分组中所述乳腺超声图像的病灶良恶性标签确定每个所述分组对应的实际恶性风险系数范围，包括：

基于每个所述分组中所述乳腺超声图像的病灶良恶性标签计算每个所述分组的实际恶性风险系数；

将每个所述分组的实际恶性风险系数所属的实际恶性风险系数范围确定为每个所述分组对应的实际恶性风险系数范围。

5.根据权利要求4所述乳腺超声图像分级方法，其特征在于，所述基于每个所述分组中所述乳腺超声图像的病灶良恶性标签计算每个所述分组的实际恶性风险系数，包括：

将每个所述分组中恶性病灶数量与病灶总数量的比值作为每个所述分组的实际恶性风险系数；

其中，每个所述分组中所述恶性病灶数量为每个所述分组中病灶良恶性标签为恶性的乳腺超声图像的数量，每个所述分组中所述病灶总数量为每个所述分组中乳腺超声图像的总数量。

6.根据权利要求3所述乳腺超声图像分级方法，其特征在于，所述根据每个所述分组对应的预测恶性风险系数范围和实际恶性风险系数范围、实际恶性风险系数范围与BI-RADS分级之间的映射关系建立预测恶性风险系数范围与BI-RADS分级之间的映射关系，包括：

根据每个所述分组对应的预测恶性风险系数范围和实际恶性风险系数范围建立预测恶性风险系数范围与实际恶性风险系数范围之间的映射关系；

确定实际恶性风险系数范围与BI-RADS分级之间的映射关系，并根据预测恶性风险系数范围与实际恶性风险系数范围之间的映射关系、实际恶性风险系数范围与BI-RADS分级之间的映射关系建立预测恶性风险系数范围与BI-RADS分级之间的映射关系。

7.根据权利要求3所述乳腺超声图像分级方法，其特征在于，所述基于所述预测恶性系数将所有所述乳腺超声图像划分为多个分组，包括：

基于所述预测恶性系数将所有所述乳腺超声图像划分为十个分组，每个分组中乳腺超声图像的预测恶性系数的跨度为0.1。