基于人工智能的乳腺核磁共振图像病灶定位方法

摘要

本发明公开了一种基于人工智能的乳腺核磁共振图像病灶定位方法，涉及人工智能领域。主要包括：将乳腺部位的核磁共振图像输入至预先训练的CNN中，获得初始的病灶概率；在初始的病灶概率小于概率阈值的情况下，判定核磁共振图像中不存在病灶，否则，执行如下步骤；依次对核磁共振图像中每一闭合区域进行遮挡，并根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，分别获得进行遮挡的每一闭合区域对应的异常系数；根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，以获得核磁共振图像中的病灶。本发明实施例能够减少医生进行病灶区域的定位所需时长。

权利要求

1.一种基于人工智能的乳腺核磁共振图像病灶定位方法，其特征在于，包括：S1、将乳腺部位的核磁共振图像输入至预先训练的CNN中，获得核磁共振图像的初始的病灶概率，所述病灶概率为核磁共振图像中存在病灶的概率；

S2、在初始的病灶概率小于概率阈值的情况下，判定核磁共振图像中不存在病灶，否则，执行步骤S3至S4；

S3、获得核磁共振图像中各闭合区域，分别对每一闭合区域进行遮挡，将遮挡后的核磁共振图像再次输入至预先训练的CNN中，获得遮挡后的核磁共振图像的病灶概率，并根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得每一闭合区域对应的异常系数；

S4、根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，并将相关系数大于预设阈值的像素点组成的区域作为病灶；

其中，根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得每一闭合区域对应的异常系数，包括：其中，为进行遮挡的闭合区域对应的异常系数，为遮挡后的核磁共振图像的病灶概率， 为核磁共振图像的初始的病灶概率。

2.根据权利要求1所述的基于人工智能的乳腺核磁共振图像病灶定位方法，其特征在于，分别对每一闭合区域进行遮挡，包括：获取每一闭合区域以外其他区域距离该闭合区域最近的轮廓，计算轮廓上像素点的第一灰度均值；

将该闭合区域中每一像素点的灰度值替换为该第一灰度均值，将灰度值替换后的该闭合区域作为对该闭合区域的遮挡结果。

3.根据权利要求1所述的基于人工智能的乳腺核磁共振图像病灶定位方法，其特征在于，预先训练的CNN的获得过程包括：根据核磁共振图像中是否存在病灶，将包含多张乳腺部位的核磁共振图像的数据集划分为正常数据集以及异常数据集；

利用正常数据集以及异常数据集对CNN进行训练，训练完成后获得预先训练的CNN。

4.根据权利要求1所述的基于人工智能的乳腺核磁共振图像病灶定位方法，其特征在于，分别获得核磁共振图像中各闭合区域，包括：对核磁共振图像进行边缘检测，并对边缘检测结果进行基于边缘的分割，提取出其中所存在各闭合区域。

5.根据权利要求4所述的基于人工智能的乳腺核磁共振图像病灶定位方法，其特征在于，边缘检测过程中所采用的算子为canny算子。

6.根据权利要求1所述的基于人工智能的乳腺核磁共振图像病灶定位方法，其特征在于，根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，包括：其中， 为核磁共振图像中第i个像素点的相关系数， 为核磁共振图像中第i个像素点的灰度值， 为核磁共振图像中第i个像素点所在的闭合区域的边缘像素点的灰度均值，为核磁共振图像中第i个像素点所在的闭合区域的异常系数。

说明书

基于人工智能的乳腺核磁共振图像病灶定位方法

技术领域

[0001] 本申请涉及人工智能领域，具体涉及一种基于人工智能的乳腺核磁共振图像病灶定位方法。

背景技术

[0002] 乳腺癌是乳房腺上皮细胞在多种致癌因子作用下，发生了基因突变，致使细胞增生失控。由于癌细胞的生物行为发生了改变，是常见的恶性肿瘤之一，严重危害人体的心理和生理健康，乳腺癌的早期筛查能够有助于采取治疗措施，从而避免病情恶化所带来的不良后果。

[0003] 人体中乳腺癌的早期常表现为乳房肿块、乳头溢液、腋窝淋巴结肿大等症状，通过核磁共振对其进行检查，可以帮助发现其中可能存在的病灶区域。

[0004] 目前，在获得对于乳腺部位的核磁共振图像后，医师需要对核磁共振图像中可能存在的病灶区域进行定位，该种方式受限于肉眼进行观察的效率，使得医生对病灶区域进行定位所需要的时间较长。

发明内容

[0005] 针对上述技术问题，本发明提供了一种基于人工智能的乳腺核磁共振图像病灶定位方法，利用预先训练的卷积神经网络判断乳腺部位的核磁共振图像中是否存在病灶区域，并在判定核磁共振图像中存在病灶的情况下，根据核磁共振图像中不同的闭合区域对卷积神经网络输出结果的影响，确定出核磁共振图像中所存在的病灶区域，从而减少医生对核磁共振图像中病灶区域的定位所需时长。

[0006] 本发明实施例提出了一种基于人工智能的乳腺核磁共振图像病灶定位方法，包括：

[0007] S1、将乳腺部位的核磁共振图像输入至预先训练的CNN中，获得核磁共振图像的初始的病灶概率，所述病灶概率为核磁共振图像中存在病灶的概率；

[0008] S2、在初始的病灶概率小于概率阈值的情况下，判定核磁共振图像中不存在病灶，否则，执行步骤S3至S4；

[0009] S3、获得核磁共振图像中各闭合区域，分别对每一闭合区域进行遮挡，将遮挡后的核磁共振图像再次输入至预先训练的CNN中，获得遮挡后的核磁共振图像的病灶概率，并根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得每一闭合区域对应的异常系数。

[0010] S4、根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，并将相关系数大于预设阈值的像素点组成的区域作为病灶。

[0011] 可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，分别对每一闭合区域进行遮挡，包括：

[0012] 获取每一闭合区域以外其他区域距离该闭合区域最近的轮廓，计算轮廓上像素点的第一灰度均值。

[0013] 将该闭合区域中每一像素点的灰度值替换为该第一灰度均值，将灰度值替换后的该闭合区域作为对该闭合区域的遮挡结果。

[0014] 可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得每一闭合区域对应的异常系数，包括：

[0015]

[0016] 其中，为进行遮挡的闭合区域对应的异常系数，为遮挡后的核磁共振图像的病灶概率， 为核磁共振图像的初始的病灶概率。

[0017] 可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，预先训练的CNN的获得过程包括：

[0018] 根据核磁共振图像中是否存在病灶，将包含多张乳腺部位的核磁共振图像的数据集划分为正常数据集以及异常数据集。

[0019] 利用正常数据集以及异常数据集对CNN进行训练，训练完成后获得预先训练的CNN。

[0020] 可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，分别获得核磁共振图像中各闭合区域，包括：

[0021] 对核磁共振图像进行边缘检测，并对边缘检测结果进行基于边缘的分割，提取出其中所存在各闭合区域。

[0022] 可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，边缘检测过程中所采用的算子为canny算子。

[0023] 可选的，基于人工智能的乳腺核磁共振图像病灶定位方法中，根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，包括：

[0024]

[0025] 其中， 为核磁共振图像中第i个像素点的相关系数， 为核磁共振图像中第i个像素点的灰度值， 为核磁共振图像中第i个像素点所在的闭合区域的边缘像素点的灰度均值， 为核磁共振图像中第i个像素点所在的闭合区域的异常系数。

[0026] 本发明提供了一种基于人工智能的乳腺核磁共振图像病灶定位方法，相比于现有技术，本发明实施例的有益效果在于：利用预先训练的卷积神经网络判断乳腺部位的核磁共振图像中是否存在病灶区域，并在判定核磁共振图像中存在病灶的情况下，根据核磁共振图像中不同的闭合区域对卷积神经网络输出结果的影响，确定出核磁共振图像中所存在的病灶区域，从而减少医生对核磁共振图像中病灶区域的定位所需时长。

附图说明

[0027] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0028] 图1是本发明实施例提供的一种基于人工智能的乳腺核磁共振图像病灶定位方法的流程示意图。

具体实施方式

[0029] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0030] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

[0031] 术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

[0032] 本发明实施例提供了一种基于人工智能的乳腺核磁共振图像病灶定位方法，如图1所示，包括：

[0033] 步骤S1、将乳腺部位的核磁共振图像输入至预先训练的CNN中，获得核磁共振图像的初始的病灶概率，所述病灶概率为核磁共振图像中存在病灶的概率。

[0034] CNN（Convolutional Neural Network，卷积神经网络）是一种前馈神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元，卷积神经网络对于大型图像处理有着出色表现。本发明实施例中借助预先训练完成的CNN，可以实现对核磁共振图像中存在病灶的概率的输出。

[0035] 步骤S2、在初始的病灶概率小于概率阈值的情况下，判定核磁共振图像中不存在病灶，否则，执行步骤S3至S4。

[0036] 步骤S3、获得核磁共振图像中各闭合区域，分别对每一闭合区域进行遮挡，将遮挡后的核磁共振图像再次输入至预先训练的CNN中，获得遮挡后的核磁共振图像的病灶概率，并根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得每一闭合区域对应的异常系数。

[0037] 步骤S4、根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，并将相关系数大于预设阈值的像素点组成的区域作为病灶。

[0038] 本发明实施例的主要目的是：利用预先训练的卷积神经网络判断乳腺部位的核磁共振图像中是否存在病灶区域，并在判定核磁共振图像中存在病灶的情况下，根据核磁共振图像中不同的闭合区域对卷积神经网络输出结果的影响，确定出核磁共振图像中可能存在的病灶区域，从而减少医生对核磁共振图像中病灶区域的定位所需时长。

[0039] 进一步的，步骤S1、将乳腺部位的核磁共振图像输入至预先训练的CNN中，获得核磁共振图像的初始的病灶概率，所述病灶概率为核磁共振图像中存在病灶的概率。

[0040] 对于乳腺部位的核磁共振图像的语义分割标签，如果直接对核磁共振图像进行语义分割处理，需要根据人为对病灶区域的具体位置的判断结果，对核磁共振图像中像素点进行标注，该过程所需要的工作量过大；同时，相较于仅仅判断其中是否存在病灶，肉眼对于病灶区域的具体位置的判定的误差更大，使得标注后得到的图像的准确性难以保证，进而无法保证利用这些标注有病灶区域的图像所训练出的神经网络的准确性。

[0041] 在乳腺核磁共振图像中，病灶部位多为肿块，而肿块或者肿瘤部分的细胞相较于正常细胞更为活跃，其热量及能量的释放都会高于其他正常部位，反映到核磁共振图像中则是边缘闭合的白色高亮部分，即核磁共振图像中的白色高亮部分更有可能是病灶区域所在的地方，人为对其中白色高亮部分进行观察，判断是否为病灶区域所造成的白色高亮部分，可以较为直接地判断核磁共振图像中是否存在病灶区域。

[0042] 因此，本发明实施例中，直接对乳腺区域的核磁共振图像中是否存在病灶进行判断，以完成对包含多张乳腺区域的核磁共振图像的数据集的划分，将原有数据集划分为两类：正常数据集以及异常数据集，然后利用正常数据集以及异常数据集对CNN进行训练，训练完成后获得预先训练的CNN。

[0043] 需要说明的是，在对CNN进行训练过程中，所采用的损失函数可以是均方差损失函数。

[0044] 进一步的，步骤S2、在初始的病灶概率小于概率阈值的情况下，判定核磁共振图像中不存在病灶，否则，执行步骤S3至S4。

[0045] 具体的，在初始的病灶概率小于概率阈值的情况下，可以判定核磁共振图像中不存在病灶，如此，不必再对该图像进行病灶区域的提取，从而避免无效的计算。

[0046] 另一方面，在病灶概率不小于概率阈值的情况下，可以判定核磁共振图像中存在病灶，因此，可以进一步借助后续步骤对核磁共振图像中所存在的病灶区域进行提取。

[0047] 进一步的，步骤S3、获得核磁共振图像中各闭合区域，分别对每一闭合区域进行遮挡，将遮挡后的核磁共振图像再次输入至预先训练的CNN中，获得遮挡后的核磁共振图像的病灶概率，并根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得每一闭合区域对应的异常系数。

[0048] 对于核磁共振图像中各闭合区域的获得，可以包括：对核磁共振图像进行边缘检测，并对边缘检测结果进行基于边缘的分割，提取出其中所存在各闭合区域。其中，进行边缘检测所采用的算子可以是canny算子。

[0049] 需要说明的是，图像边缘是图像最基本的特征，所谓边缘(Edge)是指图像局部特性的不连续性。灰度或结构等信息的突变处称之为边缘。例如，灰度级的突变、颜色的突变、纹理结构的突变等。边缘是一个区域的结束，也是另一个区域的开始，利用该特征可以分割图像。图像的边缘有方向和幅度两种属性。边缘通常可以通过一阶导数或二阶导数检测得到。一阶导数是以最大值作为对应的边缘的位置，而二阶导数则以过零点作为对应边缘的位置。

[0050] 一阶导数的边缘算子进行边缘检测的过程包括：通过模板作为核与图像的每个像素点做卷积和运算，然后选取合适的阈值来提取图像的边缘。常见的一阶导数的边缘算子有：Roberts算子，Prewitt算子，Sobel算子，Canny算子等。二阶导数的边缘算子进行边缘检测的过程依据于二阶导数过零点这一特性，常见的有二阶导数的边缘算子有Laplacian算子。

[0051] 对于已经训练完成的图像分类网络，输入为乳腺部位的核磁共振图像，输出则为该图像中存在病灶的概率，对核磁共振图像中有些闭合区域中的任一区域进行遮挡处理时，遮挡前后的CNN输出结果可能并无差异，则能够说明该被遮挡的部分对于是否存在病灶区域并无影响；然而，对于另外一些闭合区域中的任一区域进行遮挡后，CNN的输出结果可能由存在病灶区域变为不存在病灶区域，即遮挡后CNN所输出的存在病灶的概率变小，则说明这些闭合区域对核磁共振图像中是否存在病灶有明显的影响，更有可能为病灶所在的区域。

[0052] 其次，分别对各闭合区域中每一闭合区域进行遮挡，其中，每次遮挡有且仅有一个闭合区域被遮挡，目的在于分别获得每一闭合区域的异常系数。

[0053] 分别对各闭合区域中每一闭合区域进行遮挡，可以包括：获取每一闭合区域以外其他区域距离该闭合区域最近的轮廓，计算轮廓上像素点的第一灰度均值；将该闭合区域中每一像素点的灰度值替换为该第一灰度均值，将灰度值替换后的该闭合区域作为对该闭合区域的遮挡结果。如此，实现了对所选定的闭合区域的灰度值的替换，使得替换后的该闭合区域中的灰度值较为接近其周围区域，以便利用CNN输出对其进行遮挡后核磁共振图像的病灶概率，从而判断该被遮挡的闭合区域的异常系数。

[0054] 最后，获取遮挡后的核磁共振图像的病灶概率，并根据遮挡后的核磁共振图像的病灶概率与核磁共振图像的初始的病灶概率，获得进行遮挡的闭合区域对应的异常系数，包括：

[0055]

[0056] 其中，为进行遮挡的闭合区域对应的异常系数，为遮挡后的核磁共振图像的病灶概率， 为核磁共振图像的初始的病灶概率。

[0057] 如此，在遮挡后的病灶概率大于或者等于初始的病灶概率的情况下，所获得的异常系数为0，说明该闭合区域的遮挡对于病灶区域的消除未产生明显效果。

[0058] 需要说明的是， 为核磁共振图像的初始的病灶概率，对应于其中不存在任何闭合区域被遮挡的核磁共振图像，如此，便于分别获得每一闭合区域相较于未被遮挡的核磁共振图像的变化。

[0059] 进一步的，步骤S4、根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，并将相关系数大于预设阈值的像素点组成的区域作为病灶。

[0060] 首先，根据核磁共振图像中每一像素点的像素值及其所在闭合区域的异常系数，分别获得每一像素点的相关系数，包括：

[0061]

[0062] 其中， 为核磁共振图像中第i个像素点的相关系数， 为核磁共振图像中第i个像素点的灰度值， 为核磁共振图像中第i个像素点所在的闭合区域的边缘像素点的灰度均值， 为核磁共振图像中第i个像素点所在的闭合区域的异常系数。

[0063] 如此，能够分别获得核磁共振图像中每一像素点的相关系数，该相关系数用于表征像素对于病灶的产生的影响，即像素点的相关系数越大，其越有可能是病灶所在的像素点。

[0064] 最后，将相关系数大于预设阈值的像素点组成的区域作为病灶，如此，实现了对于核磁共振图像中病灶的提取，同时预设阈值的具体取值可以根据实施者的实际需求进行确定。

[0065] 综上所述，本发明提供了一种基于人工智能的乳腺核磁共振图像病灶定位方法，利用预先训练的卷积神经网络判断乳腺部位的核磁共振图像中是否存在病灶区域，并在判定核磁共振图像中存在病灶的情况下，根据核磁共振图像中不同的闭合区域对卷积神经网络输出结果的影响，确定出核磁共振图像中所存在的病灶区域，从而减少医生对核磁共振图像中病灶区域的定位所需时长。

[0066] 本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

[0067] 还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

[0068] 上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。