一种基于DOT的乳腺检测系统的制作方法

一种基于dot的乳腺检测系统
技术领域
1.本申请涉及医疗设备技术领域，具体而言，涉及一种基于dot的乳腺检测系统。


背景技术：

2.目前，散射光学断层成像又称漫散射光学断层成像(diffuse optical tomography or optical diffusion tomography，dot/odt)是一种面向厚组织体的利用近红外光(600
‑
900nm)照射并采集获得的三维功能成像方法，其目的是利用高灵敏的近红外光子检测仪器和基于生物组织光子输运模型的图像重建技术，通过采集多点表面散射光在组织中的时间、空间和光谱分布信息重建组织体内部光学特性参数的三维分布，并使之与该组织的生理状态(血红蛋白浓度及氧饱和度等)相关联。
3.现有技术中，基于dot技术的检测装置或设备，大都是利用合适的近红外光波段在乳腺组织中给的吸收光谱差异，根据辐射传输方程计算光在组织内散射后被探测器接收到的光学幅值和相位数据，通过构建乳腺组织的空间立体分布从而反解得到组织内部的光学信息(主要包括含氧脱氧血红蛋白的分布)。现有基于dot技术的检测装置或设备存在缺陷，无论是前向计算，还是反向求解，由于重建算法均为病态分布，所以两大过程中使用的各类算法稳定性、普适性都存在各自的最优情况，这导致实际计算过程中因被测个体差异而带来的结果与预期偏离。


技术实现要素：

4.本申请实施例的目的在于提供一种基于dot的乳腺检测系统，该基于dot的乳腺检测系统可以实现提高乳腺检测的检测指标的技术效果。
5.本申请实施例提供了一种基于dot的乳腺检测系统，包括探头组件、探测单元组件、光源、采集接口和计算机；
6.所述探头组件包括多个探头，所述探测单元组件包括多个探测单元，所述多个探头发射探测信号至被测物体内部组织，并由所述探测单元采集光学信号；
7.所述光源分别与所述多个探头连接；
8.所述采集接口分别与所述多个探测单元、所述光源连接，所述光源同步信号至所述采集接口；
9.所述计算机包括神经网络芯片和处理芯片，所述处理芯片与所述采集接口连接，所述神经网络芯片与所述处理芯片连接。
10.进一步地，所述光源为高频调制光源。
11.进一步地，所述采集接口为并行通道数字采集接口。
12.进一步地，所述探头组件包括二个到一百个探头。
13.进一步地，所述探测单元组件包括二个到一百个探测单元。
14.进一步地，所述探头组件中所述探头的数量与所述探测单元组件中所述探测单元的数量相同。
15.进一步地，所述计算机还包括存储模块，所述存储模块与所述处理芯片连接。
16.进一步地，所述计算机还包括显示设备，所述显示设备与所述处理芯片连接。
17.进一步地，所述采集接口包括多个探测数据采集端，所述多个探测数据采集端分别与所述多个探测单元连接。
18.进一步地，所述系统还包括电源模块，所述电源模块分别与所述光源、所述计算机连接。
19.本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
20.为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
21.为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
22.图1为本申请实施例提供的一种基于dot的乳腺检测系统的结构框图；
23.图2为本申请实施例提供的计算机的结构框图；
24.图3为本申请实施例提供的一种基于dot的乳腺检测方法的流程示意图；
25.图4为本申请实施例提供的获得一维数据结果的流程示意图；
26.图5为本申请实施例提供的一种基于dot的乳腺检测的网络架构图；
27.图6为本申请实施例提供的神经网络模块的结构框图；
28.图7为本申请实施例提供的一种基于dot的乳腺检测装置的结构框图；
29.图8为本申请实施例提供的一种设备的结构框图。
具体实施方式
30.下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
31.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
32.本申请实施例提供了一种基于dot的乳腺检测系统，可以应用于对乳腺组织的肿瘤检测；该基于dot的乳腺检测系统通过应用神经网络，将乳腺组织光学数据作为输入数据，经过校正等预处理后输入神经网络中，获得一维数据结果，然后再将一维数据结果与乳腺病灶数据进行拼接，最终根据具有三组的全连接层对拼接结果进行分类，获得分类结果，分类结果包括乳腺良/恶性肿瘤的分类取向；从而，该基于dot的乳腺检测方法通过应用人工智能的方式，可以绕开前向和反解的繁杂算法设计，直接从乳腺组织光学数据结合乳腺病灶数据获得最终检测结果，从而避开了dot技术直接计算的缺陷，在保证检测灵敏度的前提下，提高乳腺检测的检测指标的技术效果。
33.请参见图1至图2，图1为本申请实施例提供的一种基于dot的乳腺检测系统的结构
框图，图2为本申请实施例提供的计算机的结构框图该基于dot的乳腺检测系统包括探头组件41、探测单元组件42、光源43、采集接口44和计算机45。
34.示例性地，探头组件41包括多个探头，探测单元组件42包括多个探测单元，多个探头发射探测信号至被测物体内部组织，并由探测单元采集光学信号。
35.示例性地，光源43分别与多个探头连接。
36.示例性地，采集接口44分别与多个探测单元、光源43连接，光源43同步信号至采集接口。
37.示例性地，计算机45包括神经网络芯片451和处理芯片452，处理芯片452与采集接口44连接，神经网络芯片451与处理芯片452连接。
38.示例性地，光源43为高频调制激光源。
39.示例性地，采集接口44为并行通道数字采集接口。
40.在一些实施方式中，探头组件41包括十个探头，探测单元组件42包括十个探测单元。
41.示例性地，计算机45还包括存储模块453和显示设备454，处理芯片452分别与存储模块453、显示设备454连接。
42.示例性地，探头组件41包括二个到一百个探头。
43.示例性地，探测单元组件42包括二个到一百个探测单元。
44.示例性地，探头组件41中探头的数量与探测单元组件42中探测单元的数量相同。
45.示例性地，计算机45还包括存储模块453，存储模块453与处理芯片452连接。
46.示例性地，计算机45还包括显示设备454，显示设备454与处理芯片452连接。
47.示例性地，采集接口44包括多个探测数据采集端，多个探测数据采集端分别与多个探测单元连接。
48.示例性地，该基于dot的乳腺检测系统还包括电源模块，电源模块分别与光源、计算机连接。
49.请参见图3，图3为本申请实施例提供的一种基于dot的乳腺检测方法的流程示意图，包括如下步骤：
50.s100：获取乳腺组织光学数据、乳腺病灶数据、患者临床信息和患者信息，所述乳腺组织光学数据包括光学幅值数据和光学相位数据。
51.在一些实施方式中，乳腺组织光学数据由乳光超机器获得；示例性地，乳光超机器中的光学模块提供了两个不同波长下的多个光源端和多个探测端，可以获得多波长发射、多波长接收的矩阵数据，其中矩阵数据包括多个光学幅值数据和多个光学相位数据。
52.示例性地，乳光超机器是利用dot光学原理和超声相结合的双模诊断技术的设备，先利用b超结构诊断能找出乳腺里面的病变位置、大小以及基本形态，然后再利用dot光学系统进行智能分析，可以检测肿块血氧含量、血红蛋白含量，方便进行良恶性筛查和处理，可以对同一个肿块进行追踪随访，对病情的变化进行监控。
53.示例性地，乳腺病灶数据包括乳腺病灶的信息，包括乳腺肿物的尺寸信息(长度、宽度)及位置信息(深度、偏移量)，总计4个数据；可选地，乳腺组织光学数据、乳腺病灶数据再加上病人的年龄，共计可获得725个乳腺数据。
54.s200：将所述光学幅值数据和所述光学相位数据输入预设的神经网络中，获得一
维数据结果。
55.示例性地，神经网络属于人工智能技术的应用；神经网络又称为神经网络(convolutional neural networks，cnn)，是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks)，是深度学习(deeplearning)的代表算法之一。神经网络具有表征学习(representationlearning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift
‑
invariantclassification)，因此也被称为“平移不变人工神经网络(shift
‑
invariant artificial neural networks，siann)”。
56.神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得神经网络能够以较小的计算量对格点化(grid
‑
liketopology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。
57.通过将光学幅值数据和光学相位数据输入预设的神经网络中，预设的神经网络通过训练，获得一维数据结果；从而，可以避开dot技术无论是前向计算，还是反向求解，两大过程中使用的各类算法稳定性、普适性都存在各自的最优情况，这导致实际计算过程中因被测个体差异而带来的结果与预期偏离的问题；同时，避开现有dot技术直接通过光学数据直接计算求解的问题，避免了繁琐的计算过程，在保证检测灵敏度的前提下，提高乳腺检测的检测指标的技术效果。
58.s300：对所述一维数据结果和所述乳腺病灶数据、所述患者临床信息和所述患者信息进行一维首位拼接操作，获得拼接结果。
59.s400：根据具有三组的全连接层对所述拼接结果进行分类，获得所述分类结果，所述分类结果包括乳腺良/恶性肿瘤的分类取向。
60.在一些实施方式中，将一维数据结果和乳腺病灶数据进行拼接，然后经过具有三组的全连接层和dropout，最终输出良恶性的概率。
61.在一些实施方式中，该基于dot的乳腺检测方法最终的输出一个概率值，该值位于区间[0,1]，若值大于0.5则被判为恶性，否则为良性。此处指的就是乳腺肿瘤的良/恶性，因为生理学机理，恶性肿瘤会有更加丰富的血供。
[0062]
在一些实时方式中，ai网络最终可以有两种不同的输出形式，一种是良恶性两分类判断，一种是恶性程度的分级判断(可以是多级，比如4级判断：良性，偏良性，偏恶性，恶性)。
[0063]
可选地，所述乳腺病灶数据包括病灶的尺寸、深度；所述患者临床信息包括血项检测、生理期、妊娠状态和哺乳状态中的一种或多种；所述患者信息包括患者性别、年龄。
[0064]
在一些实施场景中，该基于dot的乳腺检测方法通过应用神经网络，将乳腺组织光学数据作为输入数据，经过校正等预处理后输入神经网络中，获得一维数据结果，然后再将一维数据结果与乳腺病灶数据进行拼接，最终根据具有三组的全连接层对拼接结果进行分类，获得分类结果，分类结果包括乳腺良/恶性肿瘤的分类取向；从而，该基于dot的乳腺检测方法通过应用人工智能的方式，可以绕开前向和反解的繁杂算法设计，直接从乳腺组织光学数据结合乳腺病灶数据获得最终检测结果，从而避开了dot技术直接计算的缺陷，在保证检测灵敏度的前提下，提高乳腺检测的检测指标的技术效果。
[0065]
请参见图4，图4为本申请实施例提供的获得一维数据结果的流程示意图；将光学
幅值数据和光学相位数据输入预设的神经网络中，获得一维数据结果的步骤，包括：
[0066]
s210：对乳腺组织光学数据进行维度转换，将光学幅值数据和光学相位数据转换为包括三通道的二维数组；
[0067]
s220：根据二维数组进行二维卷积操作；
[0068]
s230：对二维卷积操作后的二维数组进行n层级卷积操作，获得一维数据结果，其中每个层级的卷积操作的输入对象为上一层级的卷积操作所输出的特征图的下采样结果，每个层级的卷积操作包括多次卷积过程。
[0069]
示例性地，上述过程为通过神经网络获得一维数据结果的方法。
[0070]
请参见图5，图5为本申请实施例提供的一种基于dot的乳腺检测的网络架构图。
[0071]
在一些实施方式中，将光学数据送入一个神经网络中，具体示例如下：首先，reshape操作，将一维的数据转为的三维数据；其次，通过四组卷积操作，中间插入一个pooling来控制数据尺寸；最后通过全局的pooling操作来转为一维数据结果，即获得最终的卷积结果。
[0072]
在一些实施方式中，所述卷积过程包括卷积核尺寸为3
×
3的卷积层和激活层。
[0073]
在一些实施方式中，所述下采样结果通过3
×
2的最大池化层操作获得。
[0074]
在一些实施方式中，所述卷积最终的一维数据结果使用二维全局最大池化操作获得。
[0075]
在一些实施方式中，将所述最终一维卷积结果和病灶信息数据进行一维首位拼接操作。
[0076]
在一些实施方式中，将所述最拼接结果用具有三组的全连接层进行分类，其中每组全连接层中间使用50％的dropout层进行处理。
[0077]
在一些实施方式中，所述根据全连接层获取的分类结果表示了该实施例的良恶性分类取向。
[0078]
示例性地，将光学幅值数据和光学相位数据输入预设的神经网络中，获得一维数据结果的步骤，包括：
[0079]
通过二维全局最大池化操作，获得一维数据结果。
[0080]
请参见图6，图6为本申请实施例提供的一种基于dot的乳腺检测装置的结构框图，该基于dot的乳腺检测装置包括：
[0081]
获取模块100，用于获取乳腺组织光学数据、乳腺病灶数据、患者临床信息和患者信息，所述乳腺组织光学数据包括光学幅值数据和光学相位数据；
[0082]
神经网络模块200，用于将所述光学幅值数据和所述光学相位数据输入预设的神经网络中，获得一维数据结果；
[0083]
拼接模块300，用于对所述一维数据结果和所述乳腺病灶数据、所述患者临床信息和所述患者信息进行一维首位拼接操作，获得拼接结果；
[0084]
分类模块400，用于根据具有三组的全连接层对所述拼接结果进行分类，获得所述分类结果，所述分类结果包括乳腺良/恶性肿瘤的分类取向。
[0085]
请参见图7，图7为本申请实施例提供的神经网络模块的结构框图，神经网络模块包括：
[0086]
转换单元210，用于对乳腺组织光学数据进行维度转换，将光学幅值数据和光学相
位数据转换为包括三通道的二维数组；
[0087]
二维卷积单元220，用于根据二维数组进行二维卷积操作；
[0088]
n层级卷积单元230，用于对二维卷积操作后的二维数组进行n层级卷积操作，获得一维数据结果，其中每个层级的卷积操作的输入对象为上一层级的卷积操作所输出的特征图的下采样结果，每个层级的卷积操作包括多次卷积过程。
[0089]
示例性地，下采样结果通过3
×
2的最大池化层操作获得。
[0090]
示例性地，神经网络模块还用于通过二维全局最大池化操作，获得一维数据结果。
[0091]
应理解，图6所示的基于dot的乳腺检测装置和图7所示的神经网络模块与图3和图4所示的方法实施例相对应，为避免重复，此处不再赘述。
[0092]
本申请还提供一种电子设备，请参见图8，图8为本申请实施例提供的一种设备的结构框图。电子设备可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中，通信总线540用于实现这些组件直接的连接通信。其中，本申请实施例中电子设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片，具有信号的处理能力。
[0093]
上述的处理器510可以是通用处理器，包括中央处理器(cpu，central processing unit)、网络处理器(np，network processor)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
[0094]
存储器530可以是，但不限于，随机存取存储器(ram，random access memory)，只读存储器(rom，read only memory)，可编程只读存储器(prom，programmable read
‑
only memory)，可擦除只读存储器(eprom，erasable programmable read
‑
only memory)，电可擦除只读存储器(eeprom，electric erasable programmable read
‑
only memory)等。存储器530中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器510执行时，电子设备可以执行上述图3至图4方法实施例涉及的各个步骤。
[0095]
可选地，电子设备还可以包括存储控制器、输入输出单元。
[0096]
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。
[0097]
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。
[0098]
可以理解，图8所示的结构仅为示意，所述电子设备还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。图8中所示的各组件可以采用硬件、软件或其组合实现。
[0099]
本申请实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。
[0100]
本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
[0101]
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0102]
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0103]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0104]
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0105]
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
[0106]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。