本发明属于医学图像处理,具体涉及一种基于深度学习的乳腺导管原位癌浸润性分类系统。
背景技术:
1、乳腺导管原位癌(dcis)包括导管内皮细胞的异常增殖,但不侵犯基底膜。dcis诊断后,10年乳腺癌特异性死亡率为1.1%。然而,一些乳腺dcis患者也表现出微浸润(mic),其中导管内的癌细胞突破基底膜并浸润周围的间质,直径不超过1毫米。在临床和病理解剖阶段,dcis病例被分类为浸润性t1肿瘤细分为t1mi(浸润性癌小于或等于1毫米)、t1a(浸润性癌大于1毫米,直至并包括5毫米)、t1b(浸润性癌大于5毫米,直至并包括10毫米))或t1c(浸润性癌大于10毫米,直至并包括20毫米)。dcis(有或没有mic)分为低、中、高级。保乳手术后,高危dcis患者(即有粉刺坏死或高核分级的患者)复发率较高。高核分级和粉刺坏死在mic患者中更常见。总体而言,与没有mic的dcis相比,具有mic的dcis的死亡率增加了近两倍。按照美国国家综合癌症网络当前指南的建议,mic患者的治疗通常与t1a乳腺癌患者相似。因此,准确地对dcis进行分类,有利于对患者治疗方案的设计和预后评估。
2、乳腺肿瘤的临床诊断主要基于影像学检查,包括乳房x线摄影、磁共振成像(mri)和超声。乳腺钼靶是发达国家乳腺癌筛查的重要手段。超声对mic的敏感性高于乳腺x线摄影。随着越来越多地使用成像技术和筛查,可以更早地识别dcis患者。提供mic住院dcis患者的超声影像学结果为外科医生提供了更多信息,可据此做出临床决策。
3、使用传统的手动数据驱动方法确定dcis病变的轮廓具有挑战性,因为dcis的异质性使得肿瘤和正常组织之间的边界轮廓不清楚。轮廓提取通常基于单幅图像,而诊断通常基于病变的多幅图像,这更符合临床实践。深度神经网络是医学图像识别中使用最广泛的模型,在乳腺癌的诊断中具有明显的优势。在自动预测良性和恶性乳腺癌和淋巴结转移以及模拟人类决策方面取得了令人瞩目的成就。过往研究中基于病理图像来实现浸润性预测的工作较多(例如中国发明专利申请:cn114171188a一种基于人工智能的计算机辅助乳腺癌病理图像诊断方法),但是如果能基于超声图像来实现浸润性预测,则将给临床诊疗带来更大的便利,节省临床资源和时间。
4、然而,病理图像可以直接反映肿瘤的浸润性,其识别和分析相对容易。而超声图像中,肿瘤的浸润性表现并不明显。因而,现有技术中,用于病理图像分析的技术应用于超声图像时,存在准确性不足的问题。如何优化相关分析方法中的模型仍然是本领域亟需解决的问题。
技术实现思路
1、针对现有技术的缺陷,本发明提供一种基于深度学习的乳腺导管原位癌浸润性分类系统,目的在于优化模型的选择,实现准确的基于超声图像的乳腺导管原位癌浸润性分类的智能诊断。
2、一种基于深度学习的乳腺导管原位癌浸润性分类系统,包括:
3、输入模块,用于输入乳腺癌超声图像;
4、预处理模块,用于实现超声图像的预处理操作;
5、浸润性分类诊断模块,用于向乳腺导管原位癌浸润性分类模型中输入预处理后的超声图像,实现乳腺导管原位癌浸润性分类的智能诊断;
6、其中,所述乳腺导管原位癌浸润性分类模型选自深度学习网络模型。
7、优选的,所述乳腺导管原位癌浸润性分类模型选自如下模型中的一种:inception-v3、inception-v4、resnet-50、resnet-101、inception-resnet-v2、densenet-161或densenet-169。
8、优选的,所述乳腺导管原位癌浸润性分类模型选自inception-resnet-v2。
9、优选的,所述预处理具体包括:图像增强处理和/或归一化处理。
10、优选的,所述图像增强处理包括缩放、旋转和翻转中的至少一种。
11、优选的,所述归一化处理包括将所述乳腺癌超声图像归一化为1024×768×3体素大小。
12、优选的,所述乳腺导管原位癌浸润性分类模型的训练过程中,采用adadelta为优化器,学习率为0.1,每200个epoch的权重衰减率为10-3-10-4,dropout率为0.6-0.8。
13、优选的,所述乳腺导管原位癌浸润性分类模型由两部分构成,一部分用于输入超声图像并提取特征,另一部分用于乳腺导管原位癌浸润性分类。
14、优选的,在乳腺导管原位癌浸润性分类模型的训练中,标注训练数据的标准为根据美国癌症联合委员会ajcc指南,通过病理结果评估,进行有无浸润性的分类诊断。
15、本发明还提供一种计算机可读存储介质,其上存储有用于实现上述基于深度学习的乳腺导管原位癌浸润性分类系统的计算机程序。
16、本发明实现了以超声图像作为输入的,基于深度学习的乳腺导管原位癌浸润性智能分类诊断。通过优化模型算法,本发明对乳腺导管原位癌浸润性分类的准确性有效提升,能够满足临床的应用需求,可以帮助解决不同医院和医生之间的诊断差异,极大降低漏诊率,降低患者的诊断成本,为该类疾病的早期诊断和早期治疗提供技术支持。考虑到超声图像的检测成本相对更低,因此,本发明在大部分地区具有很好的应用前景。
17、显然,根据本发明的上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,还可以做出其它多种形式的修改、替换或变更。
18、以下通过实施例形式的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
1.一种基于深度学习的乳腺导管原位癌浸润性分类系统,其特征在于,包括:
2.按照权利要求1所述的乳腺导管原位癌浸润性分类系统,其特征在于:所述乳腺导管原位癌浸润性分类模型选自如下模型中的一种:inception-v3、inception-v4、resnet-50、resnet-101、inception-resnet-v2、densenet-161或densenet-169。
3.按照权利要求2所述的乳腺导管原位癌浸润性分类系统,其特征在于:所述乳腺导管原位癌浸润性分类模型选自inception-resnet-v2。
4.按照权利要求1所述的乳腺导管原位癌浸润性分类系统,其特征在于:所述预处理具体包括:图像增强处理和/或归一化处理。
5.按照权利要求4所述的乳腺导管原位癌浸润性分类系统,其特征在于:所述图像增强处理包括缩放、旋转和翻转中的至少一种。
6.按照权利要求4所述的乳腺导管原位癌浸润性分类系统,其特征在于:所述归一化处理包括将所述乳腺癌超声图像归一化为1024×768×3体素大小。
7.按照权利要求1所述的乳腺导管原位癌浸润性分类系统,其特征在于:所述乳腺导管原位癌浸润性分类模型的训练过程中,采用adadelta为优化器,学习率为0.1,每200个epoch的权重衰减率为10-3-10-4,dropout率为0.6-0.8。
8.按照权利要求1所述的乳腺导管原位癌浸润性分类系统,其特征在于:所述乳腺导管原位癌浸润性分类模型由两部分构成,一部分用于输入超声图像并提取特征,另一部分用于乳腺导管原位癌浸润性分类。
9.按照权利要求1所述的乳腺导管原位癌浸润性分类系统,其特征在于:在乳腺导管原位癌浸润性分类模型的训练中,标注训练数据的标准为根据美国癌症联合委员会ajcc指南,通过病理结果评估,进行有无浸润性的分类诊断。
10.一种计算机可读存储介质,其特征在于:其上存储有用于实现权利要求1-9任一项所述的基于深度学习的乳腺导管原位癌浸润性分类系统的计算机程序。