[发明专利]基于多模态超声影像自监督学习的乳腺微小癌分析方法

说明书

本发明公开了一种基于多模态超声影像自监督学习的乳腺微小癌分析方法，包括以下步骤：步骤一，对乳腺微小癌多模态超声影像进行数据采集，构成数据库，并确立金标准；步骤二，通过1cm以上乳腺肿块临床图像建立自监督深度学习模型；步骤三，通过自监督深度学习模型对处理后的乳腺微小癌图像数据集进行训练，得到微小癌识别模型；步骤四，以微小癌识别为基础进行三维模型重建；步骤五，通过重建的三维模型分析微血管与癌症的关系。本发明采用上述基于多模态超声影像自监督学习的乳腺微小癌分析方法，提高预后良好的早期乳腺癌检出率，为减少过度活检数量的精准诊疗提供新的理论依据和方法。

技术领域

本发明涉及乳腺癌超声影像技术领域，尤其是涉及一种基于多模态超声影像自监督学习的乳腺微小癌分析方法。

背景技术

全球癌症发病率和死亡率正在迅速增长。女性乳腺癌(占全球癌症发病率的11.6％)是第二常见的癌症，也是女性癌症死亡的主要原因。早期发现已被证明可以减少乳腺癌造成的死亡。一般来说，肿瘤的大小与转移的可能性密切相关，因此对复发率和最终存活率有影响。因此，对乳腺小病变的检测和定性是至关重要的。研究显示，直径小于1cm的病变存活率较高；直径小于1cm的导管或小叶浸润性病变预后良好，20年无复发生存率为88％；将肿瘤大小与转移可能性之间的对数正态关系外推到小的乳腺病变上，直径约2cm的肿瘤有25.5％的转移几率，直径约5mm的肿瘤有1.2％的转移几率。

乳腺癌是全球女性发病率最高的恶性肿瘤，是女性癌症相关死亡的首要因素。肿瘤的大小与转移几率密切相关，对复发率和最终存活率有重大影响。因此对乳腺微小病变的检出、确诊及预后至关重要。随着超声技术的进步，超声对1cm以下乳腺病变检出率也越来越高。研究显示最大直径≤1cm以下病变的存活率高。但是目前所面临的主要问题是T1b和较小的肿瘤很难评估良恶性，多数患者三联评估不能获得满意的诊断。尤其是超声造影、弹性成像等新技术，更加具有挑战。

超声人工智能的主要驱动力是在降低人力需求的同时，提高医学图像解释的诊断准确性。卷积神经网络能够从他们处理的每个新病例中学习，类似于建立知识库。而定性和定量的成像参数已被用于人工智能算法。目前在甲状腺、乳腺的良恶性诊断方面显现出了较好的应用前景。自监督技术最早被应用在NLP领域深度学习方法之中，随后CarlDoersch等人将其应用在图像处理之中。跟传统的深度CNN网络相比，自监督技术可以通过挖掘图像本身的特性，对有限的训练样本进行充分的利用，从而提升模型的识别性能。该技术既可以用于大量无标签样本之中进行模型预训练，也可以添加在有监督学习之中，辅助模型增加其特征表示能力。该技术目前只是在ImageNet等自然景物的数据库上取得了不错的结果，但是在医学影像领域，尤其是超声领域，目前能见到的研究很少。人工智能在医学图像处理领域崭露头角，但是目前难以具备的条件：海量的1cm以下超声图像及病理、高质量标注。

发明内容

本发明的目的是提供基于多模态超声影像自监督学习的乳腺微小癌分析方法，解决上述背景技术中提出的问题。

为实现上述目的，本发明提供了一种基于多模态超声影像自监督学习的乳腺微小癌分析方法，包括以下步骤：

步骤一，对乳腺微小癌多模态超声影像进行数据采集，构成数据库，并确立金标准；

步骤二，通过1cm以上乳腺肿块临床图像建立自监督深度学习模型；

步骤三，通过自监督深度学习模型对处理后的乳腺微小癌图像数据集进行训练，得到微小癌识别模型；

步骤四，以微小癌识别为基础进行三维模型重建；

步骤五，通过重建的三维模型分析微血管与癌症的关系。

优选的，步骤一中，对乳腺微小肿块进行超声多模态图像的采集，包括常规超声里的2D、CDFI和PW，超声造影及超声造影前后的微血流3D成像，所有图像分别留存静态及动态图；收集后，由超声临床工作经验5年以上的医师进行人工标记，以病理结果为金标准，将微小癌病灶区域标注并存储。