[发明专利]一种乳腺病变检测方法和装置

说明书

本发明实施例提供了一种乳腺病变检测方法和装置，所述方法包括：利用人工神经网络的自学习能力，建立乳腺图像的图像特征与乳腺病变区域之间的对应关系；获取当前乳腺图像的当前图像特征；通过所述对应关系，确定与所述当前图像特征对应的当前乳腺病变区域；确定与所述当前图像特征对应的当前乳腺病变区域，包括：将所述对应关系中与所述当前图像特征相同的图像特征对应的乳腺病变区域，确定为当前乳腺病变区域。该方法能够提高对乳腺病变，如乳腺肿块，判断的准确度，改善用户体验效果。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种乳腺病变检测方法和一种乳腺病变检测装置。

背景技术

乳腺癌是一种常见的恶性肿瘤，早期诊断和治疗是降低乳腺癌死亡率的关键。乳腺图像中的病变区域包括肿块、钙化点、双侧不对称、结构扭曲等形式，其中，肿块和钙化点簇是乳腺癌最常见的影像学征象，因此，肿块和钙化点的自动检测也成为计算机辅助诊断系统的两个主要方面。其中，肿块由于其边缘模糊，形状各异，与周围组织对比度较低等因素，一直都是计算机辅助诊断系统的一个难点。

人工神经网络，如深度学习，其是对输入信息进行逐层加工，从而把初始的与输出目标之间联系不太密切的输入表示，转化成与输出目标联系更密切的表示，使原来仅基于最后一层输出映射难以完成的任务成为可能。即通过多层处理，逐渐将初始的“低层”特征表示转化成为“高层”特征表示。因此可以认为深度学习就是在进行“特征学习”或者“表示学习”。其中，卷积神经网络(CNN，Convolutional Neural Network)目前被认为是深度学习结构中比较好的一种，因其将特征工程完全自动化，将传统机器学习的多阶段流程替换成为一个简单的、端到端的流程，不需要手工设计特征，因此在很多问题上都表现出更好的性能。

现有技术中，如《一种乳腺肿块图像采集以及检测分析方法》，申请人：中山大学肿瘤防治中心。此方法首先通过人工采集乳腺肿块图像，利用聚类算法Kmeans方法提取感兴趣区域，并对肿块特征进行提取，通过阈值分析得出肿块与非肿块的阈值。然后对于任意输入的乳腺图像先利用全局灰度阈值法对图像进行二值化处理，再利用Kmeans方法进行聚类并将灰度最大的簇提取出来作为感兴趣区域，最后计算该感兴趣区域的特征，根据肿块的特质阈值，去除假阳性区域，从而确定真正的肿块。该方法存在的不足是：肿块与非肿块的区分阈值仅来源于人工统计的灰度信息，其阈值大小与统计数据的数量以及选用的特征密切相关，且基于统计信息的灰度特征在区别肿块和非肿块上并不具备很好的表征性。因此，该方法对乳腺肿块的判断准确度有限，从而导致乳腺肿块的检测结构准确性差，用户体验效果不佳。

发明内容

本发明实施例提供一种乳腺病变检测方法，以达到对乳腺病变，如乳腺肿块，判断准确性好的效果，改善用户体验效果。

相应的，本发明实施例还提供了一种乳腺病变检测装置，用以保证上述方法的实现及应用。

为了解决上述问题，本发明公开了一种乳腺病变检测方法，具体包括：利用人工神经网络的自学习能力，建立乳腺图像的图像特征与乳腺病变区域之间的对应关系；获取当前乳腺图像的当前图像特征；通过所述对应关系，确定与所述当前图像特征对应的当前乳腺病变区域；

所述确定与所述当前图像特征对应的当前乳腺病变区域的步骤，包括：将所述对应关系中与所述当前图像特征相同的图像特征对应的乳腺病变区域，确定为当前乳腺病变区域。

可选地，所述乳腺图像，包括：原始乳腺图像和/或预处理图像；其中，所述预处理图像为将所述原始乳腺图像进行预处理后生成的乳腺图像；和/或，

所述图像特征，包括：颜色特征、纹理特征、形状特征、空间关系特征中的至少之一；和/或，