技术摘要：
本申请提供了种融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及计算机可读存储介质，该方法包括：获取超声图像，超声图像的对应内容包括乳腺部位；对超声图像进行处理，获得超声图像中的目标区域，该目标区域中包括有乳腺病灶区域图像；对识别出目标区  全部
背景技术：
随着医疗设备的不断发展，超声成像仪器因为其无创性、实时性、操作方便、价格 便宜等诸多优势，使其成为临床上应用最为广泛的医疗设备工具之一。超声成像常用的功 能模式包括二维黑白(B)模式、频谱多普勒模式(PW/CW)以及彩色血流模式(CF/PDI)。B模式 依赖于超声回波信号的幅度进行成像，获取的是组织二维结构和形态信息，回波信号强度 越大则对应的图像像素灰度值越大，反之则灰度值越小；PW/CW以及CF/PDI模式的基本原理 都是多普勒效应，均依赖于超声回波信号的相位进行成像，获取的是速度、方向、能量等血 流信息。 乳腺癌对全球女性健康的威胁日益增大，超声技术是公认的适合做乳腺癌筛查的 技术，在中国的乳腺癌筛查指南中，超声检查被列为检查乳腺癌的主要手段之一。然而，超 声成像因为其信噪比和分辨率相对比较低，传统的特征提取方法很难得到病灶特征的高效 表达，因此使用超声影像对乳腺癌进行病理分类的准确率比较低，因此，提出一种精确的针 对乳腺癌超声图像的图像处理和特征提取，以及识别的方法，方便后续人员对超声图像的 使用，是现在市场上亟待解决的一项技术问题。
技术实现要素：
为了解决相关技术中存在的不足，本发明提供一种乳腺癌超声图像分型方法、系 统及存储介质，能够有效提高乳腺癌超声图像的识别以及分型的准确率。 为达到上述目的，具体而言，本发明提供了以下具体的技术方案： 一方面，本发明提供一种融合深度卷积网络和影像组学特征的乳腺癌超声图分型 方法，所述方法包括以下步骤： S210：获取超声图像，所述超声图像包括乳腺部位； S220：对所述超声图像进行处理，获得所述超声图像中的目标区域，所述目标区域 中包括有乳腺病灶区域； S230：对识别出目标区域的超声图像进行特征提取，得到第一特征，所述第一特征 为深度特征；对识别出目标区域的超声图像进行特征提取处理，得到第二特征，所述第二特 征基于至少5种不同影像组学图像处理算子获得的多个纹理特征及边缘特征得到； S240：融合所述第一特征和第二特征，得到第一融合特征； S250：对所述第一融合特征进行特征筛选处理，得到第二融合特征； S260：基于所述第二融合特征，获得乳腺癌超声图分型结果。 4 CN 111583320 A 说　明　书 2/9 页 优选地，所述S230中，所述多个纹理特征及边缘特征包括：通过SIFT  算子提取第 一纹理特征，通过LBP算子提取第二纹理特征，通过GLSZM算子提取第三纹理特征，通过LOG 算子提取第一边缘特征，通过Gabor算子提取第二边缘特征。 优选地，所述S240中，通过聚类方式，得到第一融合特征；所述聚类方式为： 其中V(j,k)为公式(5)的输出的数据，ak为softmax输出的权重，xi(j)  和ck(j)分 别为第i个局部描述子和第k个聚类中心的第j个特征值，其中  i，j，k分别为正整数。 优选地，所述S250中，进一步包括：依据特征重要性判定，对所述第一融合特征进 行筛选，所述特征重要性判定基于LightGBM网络实现。 优选地，所述S220中，获得所述超声图像中的目标区域通过以下方式进行：获取样 本超声图像和标注信息，形成训练集，所述标注信息用于标注出所述样本超声图像中的乳 腺病灶区域； 基于所述训练集训练深度学习网络； 基于训练后的所述深度学习网络对新输入超声图像识别目标区域。 另一方面，本发明还提供了一种融合深度卷积网络和影像组学特征的乳腺癌超声 图分型系统，所述系统包括： 获取模块，用于获取超声图像或视频数据； 处理器模块，用于对获取模块采集的超声图像或视频数据进行处理，并获得分型 结果； 显示模块，用于显示超声图像或视频数据，以及处理器模块发送的分型结果； 优选地，所述处理器模块进一步包括： 目标区域识别单元，用于对所述超声图像或视频数据进行处理，获得其中的目标 区域，所述目标区域中包括有乳腺病灶区域； 特征提取单元，用于对识别出目标区域的超声图像或视频数据进行特征提取，得 到第一特征及第二特征，所述第一特征为深度特征，所述第二特征基于至少5种不同影像组 学图像处理算子获得的多个纹理特征及边缘特征得到； 特征融合单元，用于融合所述第一特征和第二特征，得到第一融合特征；以及对所 述第一融合特征进行特征筛选处理，得到第二融合特征； 分型单元，用于基于所述第二融合特征，获得分型结果。 优选地，所述特征提取单元中，所述多个纹理特征及边缘特征包括：通过SIFT算子 提取第一纹理特征，通过LBP算子提取第二纹理特征，通过GLSZM算子提取第三纹理特征，通 过LOG算子提取第一边缘特征，通过  Gabor算子提取第二边缘特征。 优选地，所述特征融合单元通过聚类方式，得到第一融合特征；所述聚类方式为： 其中V(j,k)为公式(5)的输出的数据，ak为softmax输出的权重，xi(j)  和ck(j)分 别为第i个局部描述子和第k个聚类中心的第j个特征值，其中  i，j，k分别为正整数。 5 CN 111583320 A 说　明　书 3/9 页 优选地，所述获取模块获取不同模式的超声图像或视频数据。 再一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质 存储有计算机指令，所述计算机指令用于使所述计算机执行如上所述的融合深度卷积网络 和影像组学特征的乳腺癌超声图分型方法。 本发明还提供了一种装置，该装置至少包括处理器、存储设备，所述存储设备存储 有可被处理器读取并执行的指令，所述指令用于实现并执行如上所述的融合深度卷积网络 和影像组学特征的乳腺癌超声图分型方法。 综上所述，本发明提供的技术方案，与现有技术相比具备以下优点：本发明能够利 用影像组学的算子来提取高通量的超声图像特征，同时又能够利用深度卷积网络提取超声 图像的深度语义特征，结合高通量超声图像特征和深度语义特征得到融合特征，通过对所 述融合特征进行特征筛选，得到对病灶区域图像最有表达能力的特征来实现对超声图像的 有效、准确识别，提高了对超声图像识别的准确率[ZZ1]。 附图说明 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的前提下，还可以 根据这些附图获得其他的附图。 图1为本发明实施例所示的乳腺癌超声病理分型辅助诊断系统100的结构示意图。 图2为本发明实施例所示的乳腺癌超声病理分型辅助诊断方法200的流程图。 图3为本发明实施例所示的训练识别神经网络模型的方法300的流程图。 图4为本发明实施例所示的训练第一特征提取模型的方法400的流程图。 图5为本发明实施例所示的LightGBM网络进行分裂的示意图。