[发明专利]一种超声检查报告图像中乳腺肿瘤分割方法和系统

说明书

本发明属于医学图像处理技术领域，具体涉及一种超声检查报告图像中乳腺肿瘤分割方法和系统。本发明的方法包括如下步骤：步骤1，输入超声检查报告图像，进行预处理；步骤2，利用第一检测模型对预处理的超声检查报告图像进行检测，裁剪出超声图像区域；步骤3，利用第一检测模型输出的分类标签，判断所述超声图像区域的超声图像类型，若为乳腺超声图像则进行下一步；步骤4，利用第二检测模型对所述超声图像区域进行检测，裁剪出超声图像肿瘤区域；其中，所述第一检测模型和第二检测模型的算法分别采用Yolo V5网络。本发明进一步提供了实现上述方法的系统。本发明可在临床诊断中辅助医生进行超声检查报告的分析，具有很好的应用前景。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种超声检查报告图像中乳腺肿瘤分割方法和系统。

背景技术

由于全球范围内社会经济的增长和人群的老龄化的增加，恶性肿瘤的发病率和死亡率也在急剧上升。《美国癌症学会杂志》上发表的《二零二零年全球癌症统计：全球一百八十五个国家三十六种癌症的发病率和死亡率GLOBOCAN估计》中的评估数据显示:在女性中，女性乳腺癌已超过肺癌成为最常见的诊断癌症,其中估计有二百三十万新病例(百分之十一点七)。在早期发现、早期诊断和早期治疗是提高癌症治愈率和降低死亡率的关键。乳腺癌可以通过各种影像学检查进行诊断，包括X光成像技术(Xray imaging technology)、超声(Ultrasonography)、计算机断层扫描(Computed Tomography，CT)以及磁共振成像(Magnetic Resonance Imaging，MRI)等。其中，超声由于其无创性、无痛苦、检查过程迅速、范围广、价格低廉等优点，目前被广泛应用于乳腺肿瘤检测和诊断的方法。但由于乳腺超声图像分为多个层次，比如皮肤层、脂肪层、乳腺层、肌肉层等，每一层的位置都不固定并具有一定的相似性，而乳腺癌仅出现在乳腺层中，且肿瘤在该层中的位置也不固定，正确的解读超声图像需要医生具备较高的技术和临床经验，因此，自动检测肿瘤位置和识别肿瘤的良恶性存在一定的困难且有一定研究意义。

尽管早期检查可以减少乳腺癌患者的死亡率。然而随着人口的增加，放射科医生的缺乏，放射科医生的工作量越来越大。而超声图像的解读又对医生的技术和临床经验要求较高，且不同放射科医生的临床经验和技术水平对检查结果有较大的影响，易造成错误的漏症或与检查结果不相符。自动检查对原发性乳腺癌来说可以增强检查的可信度、客观性和可重复性。而近年来,本领域已研发了一些计算机辅助检查系统也已被提供来帮助超声医师。例如：中国发明专利申请“CN202110253620.6一种基于深度学习的乳腺癌超声图像的可解释性识别方法”中即提供了利用深度学习模型对乳腺癌超声图像进行识别的方法。

现有的机器学习方法通常需要将电子文档格式的超声图像输入相关软件进行机器学习算法的计算，这对超声图像的形式提出了一个严格的限定。然而，在实际应用中，处于检查流程的简化和使用的方便等因素，患者进行检查后，常常获取的是纸质的超声检查报告。这些纸质的超声检查报告无法输入机器学习模型进行计算。而如果将这些纸质的超声检查报告拍摄成照片(或扫描件)仍然存在超声图像位置难以确定、图像质量差等问题，使得这些照片(或扫描件)也难以应用于现有的机器学习模型。基于上述原因，机器学习模型在乳腺癌超声图像的处理中收到了极大的限制。

发明内容

针对现有技术的上述问题，本发明提供一种超声检查报告图像中乳腺肿瘤分割方法和系统，目的在于选择恰当的机器学习算法及其网络结构，实现对超声检查报告图像中乳腺肿瘤图像的检测和分割。

一种超声检查报告图像中乳腺肿瘤分割方法，包括如下步骤：

步骤1，输入超声检查报告图像，进行预处理；

步骤2，利用第一检测模型对预处理的超声检查报告图像进行检测，裁剪出超声图像区域；

步骤3，利用第一检测模型的输出标签判断所述超声图像区域的超声图像类型，若为乳腺超声图像则进行下一步；