[发明专利]乳房医学图像处理系统和方法

说明书

数字乳房断层合成(DBT)可以提供比全场数字乳房X线照相术(FFDM)更丰富的信息。可以基于深度学习技术(诸如使用神经网络)来处理诸如DBT切片的DBT数据，并且可以将DBT切片划分成组，并且可以基于该分组导出预定数量的代表性图像。神经网络可以被配置为处理代表性图像，以预测诸如乳腺癌的乳房疾病的存在或不存在。

技术领域

本申请涉及医学图像处理领域，尤其是乳房相关的医学图像处理系统和方法。

背景技术

乳腺癌是世界各地女性常见的死亡原因，占每年新增癌症病例的很大一部分，每年造成数十万人死亡。早期筛查和检测是改善乳腺癌治疗结果的关键，并且可以通过乳房X线照相术检查来完成。然而，常规乳房X线照相术是二维(2D)成像模态，其涉及将从受压乳房收集的信息投影成2D图像。由于来自感兴趣病变部位(pathology)上方和下方的对象的信号在投影期间可能聚集在一起，所以使用常规乳房X线照相术获得的2D图像可能包括组织重叠区域和结构噪声，从而使得难以检测潜在的乳房疾病(例如，病变)并且经常导致假阳性或假阴性结果。

发明内容

本文描述了与处理数字乳房断层合成(DBT)数据(诸如DBT图像)相关联的系统、方法和装置。一种能够执行这种任务的设备可以包括至少一个处理器，其可被配置为：获得乳房的多个切片图像(例如DBT切片)，将多个切片图像分组成多个组，基于分组导出乳房的预定数量的代表性图像，以及通过人工神经网络(ANN)处理预定数量的代表性图像以检测乳房中的异常(例如乳腺癌)。多个切片图像可以基于从不同角度捕捉的乳房的X射线图像进行重建，并且导出的代表性图像的总数可以基于人工神经网络的设置(诸如ANN的输入通道的数量(例如，在ANN包括2D卷积神经网络(CNN)时)、ANN的一个维度(例如，在ANN包括3DCNN时)、等等)预先确定。

在一些实施例中，基于分组导出乳房的预定数量的代表性图像可以包括：基于包括在多个组中的每个组中的切片图像的子集针对该组导出乳房的一个或多个代表性图像。多个组中的每个组所包括的切片图像的子集的数量可以在各组之间相同，或者多组(例如，多个组中的至少两个组)可以包括不同数量的切片图像。另外，一组中的切片图像可以与另一组中的切片图像重叠，并且可以从组中排除可以被确定为与异常的预测不相关的一些切片图像(例如，与乳房皮肤相关联的切片)。

在一些实施例中，针对多个组中的每个组导出的一个或多个代表性图像可以包括组中的一个切片图像(例如，组中的中间切片)，而在其他实施例中，各个组的一个或多个代表性图像可以基于组中的切片图像的子集的相应统计概要来导出。统计概要可以包括例如组中包括的切片图像的最大值、最小值、平均值/均值、标准偏差、主成分分析(PCA)或奇异值分解(SVD)中的一个或多个。在一些实施例中，由本文所述的设备获得的多个切片图像可以基于第一序列号集顺序编号，而多个组可以基于第二序列号集顺序编号。然而，两个连续编号的组(例如，组1和组2)中的切片图像可以不是连续的(例如，可以不连续)。

本申请提供了一种乳房医学图像处理设备和方法，设备包括：至少一个处理器，其被配置为执行方法：获得乳房的多个切片图像，其中，所述切片图像基于从不同角度捕捉的所述乳房的X射线图像进行重建；将所述多个切片图像分组为多个组，其中，所述多个组中的每个组包括所述多个切片图像的子集；基于所述分组导出所述乳房的预定数量的代表性图像，以及通过人工神经网络(ANN)处理所述预定数量的代表性图像，其中，所述ANN被训练为检测所述乳房中的异常，并且其中，所述处理的结果为对所述异常的预测。

附图说明

从以下结合附图以示例方式给出的描述中，可以更详细地理解本文公开的示例。

图1A和图1B是例示了根据本文所述的一些实施例的乳房X线照相术的示例的简化图。

图2是例示了根据本文所述的一些实施例的使用机器学习(ML)技术来处理DBT数据的示例的简化图。