[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

说明书

本申请公开了一种乳腺超声图像分级方法、装置及一种电子设备和计算机可读存储介质，该方法包括：获取目标乳腺超声图像，将目标乳腺超声图像输入训练完成的深度学习模型中预测目标乳腺超声图像对应的目标恶性风险系数；确定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目标预测恶性风险系数范围对应的目标BI‑RADS分级。本申请提供的乳腺超声图像分级方法，提高了乳腺超声图像BI‑RADS分级的准确性。

技术领域

本申请涉及超声图像处理技术领域，更具体地说，涉及一种乳腺超声图像分级方法、装置及一种电子设备和一种计算机可读存储介质。

背景技术

乳腺疾病是女性最常见的疾病之一，其中，乳腺癌的发病率和死亡率居于较高水平，发病年龄也正趋向于年轻化，早发现早诊断早治疗是提高乳腺癌患者生存质量、降低死亡率的关键。

超声影像技术由于其实时、便捷、无辐射、无侵入性等优势，被广泛应用于乳腺疾病的筛查、诊断、治疗等场景。医生通过超声检查设备获取了最佳病灶切面后，一般会结合自己的临床经验和BI-RADS(乳腺成像报告和数据系统)分级指南，凭经验对病人病灶的BI-RADS分级级别进行评判。而这种评判方法虽然应用广泛，但更多的依靠医生的主观判断，难以保证标准的统一和准确性。

因此，如何提高乳腺超声图像BI-RADS分级的准确性是本领域技术人员需要解决的技术问题。

发明内容

本申请的目的在于提供一种乳腺超声图像分级方法、装置及一种电子设备和一种计算机可读存储介质，提高了乳腺超声图像BI-RADS分级的准确性。

为实现上述目的，本申请提供了一种乳腺超声图像分级方法，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。

其中，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。

其中，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。

其中，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；