开云优惠体育网页版入口

专利名称：基于超声图像识别的乳腺癌病理预测分类系统

专利类型：发明专利

专利申请号：CN202411000587.6

专利申请（专利权）人：达州市中心医院(达州市人民医院)
权利人地址：四川省达州市通川区南岳庙街56号大东街151号金龙大道2号

专利发明（设计）人：发明人:曾凡新,司丕蕾,涂梦节,刘琴,周均,唐正钟

专利摘要：本发明涉及图像处理的技术领域，提供了基于超声图像识别的乳腺癌病理预测分类系统，从不同时期获取关于乳腺部位的所有超声图像筛选得到有效超声图像，并识别得到乳腺元素属性信息，对乳腺增生状态进行全局化表征，以此从有效超声图像画面提取若干子图层，并基于所有子图层的乳腺元素关联信息，整合得到若干子图层集合，便于后续对具有相近乳腺状态的子图层进行统一处理；还通过神经网络得到子图层集合对应的乳腺元素状态演变特征信息，以此识别其中的乳腺癌诱发源，对乳腺组织的病变趋势进行时间拓展分析；还通过神经网络分析乳腺癌诱发源画面片段，得到乳腺癌发病预测结果，快速准确地预测乳腺癌病情的发展趋势，提高诊断的可预见性和准确性。

主权利要求：
1.基于超声图像识别的乳腺癌病理预测分类系统，其特征在于，包括：
超声图像获取与筛选模块，用于获取不同时期目标对象的乳腺部位的若干超声图像，并对所有超声图像分别进行预处理，从中筛选相应的有效超声图像，包括：基于对目标对象的乳腺部位的多次超声检测对应的执行时间信息，获取不同时期所述目标对象的乳腺部分的若干超声图像；其中任意两个超声图像对应的超声检测执行时间间隔不小于预设时间间隔阈值；对所有超声图像均依次进行降噪滤波预处理和画面像素轮廓识别预处理，从中筛选相应的有效超声图像，包括：对每个超声图像进行画面网格划分处理，得到若干画面网格区域；对所有画面网格区域分别进行画面背景噪声识别处理，得到所有画面网格区域各自的画面背景噪声分布信息；基于所述画面背景噪声分布信息，对所有画面网格区域进行降噪滤波预处理；对所有超声图像分别进行画面像素纹理识别预处理，得到所有超声图像各自的画面像素纹理特征信息；基于所述画面像素纹理特征信息，确定所有超声图像中任意两者之间的画面像素纹理分布相似度；并基于所述画面像素纹理分布相似度，对所有超声图像进行筛。玫较嘤Φ娜舾捎行С枷瘢
画面元素识别模块，用于对所有有效超声图像分别进行画面元素识别，得到所述有效超声图像画面相应的乳腺元素属性信息，包括：对所有有效超声图像分别进行乳腺组织轮廓识别处理，得到每个有效超声图像画面上的乳腺组织轮廓特征信息；基于所述乳腺组织轮廓特征信息，确定所述有效超声图像画面存在的所有乳腺组织；对所述有效超声图像画面存在的所有乳腺组织分别与基准乳腺组织进行结构轮廓对比，得到所有乳腺组织各自对应的组织生长属性信息，以此作为所述乳腺元素属性信息；其中，所述组织生长属性信息包括乳腺组织生长方向和生长形状信息；
图层提取模块，用于基于所述乳腺元素属性信息，对所述有效超声图像画面进行图层提。玫饺舾勺油疾，包括：
基于所述乳腺元素属性信息包含的乳腺组织生长方向和生长形状信息，对所述有效超声图像画面存在的所有乳腺组织进行统计分类，得到若干乳腺组织集合；其中，每个乳腺组织集合下属所有乳腺组织具有相同或相近的生长方向和生长形状；基于每个乳腺组织集合下属所有乳腺组织在所述有效超声图像画面的像素单元位置信息，对所述有效超声图像进行图层提。玫接胨腥橄僮橹弦灰欢杂Φ娜舾勺油疾悖
图层整合模块，用于基于所有有效超声图像下属所有子图层对应的乳腺元素关联信息，对所有有效超声图像下属所有子图层进行整合，得到若干子图层集合，包括：对所有有效超声图像下属所有子图层进行乳腺组织定位识别，得到所有有效超声图像下属所有子图层对应的乳腺组织位置关联信息；其中所述乳腺组织位置关联信息包括所有子图层包含的乳腺组织的相对距离大小信息；基于所有有效超声图像下属所有子图层对应的乳腺组织位置关联信息，将具有相同乳腺组织相对距离分布的子图层整合到同一子图层集合，从而得到若干子图层集合；
第一神经网络处理模块，用于将所述子图层集合下属所有子图层进行第一神经网络处理，得到所述子图层集合对应的乳腺元素状态演变特征信息，包括：将所述子图层集合下属所有子图层输入至时空神经网络模型进行处理，得到所述子图层集合对应的乳腺组织状态演变特征信息；其中，所述乳腺组织状态演变特征信息包括乳腺组织的增生速度和增生区域随时间的变化特征信息；
诱发源识别模块，用于基于所述乳腺元素状态演变特征信息，判断所述子图层集合对应的乳腺元素是否属于乳腺癌诱发源，包括：基于所述乳腺元素状态演变特征信息包含的乳腺组织的增生速度和增生区域随时间的变化特征信息，确定所述子图层集合对应的乳腺组织是否具有不规律增生趋势；若是，则判断所述子图层集合对应的乳腺组织属于乳腺癌诱发源；若否，则判断所述子图层集合对应的乳腺组织不属于乳腺癌诱发源；
画面片段截取模块，用于基于所有乳腺癌诱发源各自的位置信息，对所有有效超声图像分别进行画面片段截。玫饺舾扇橄侔┯辗⒃椿嫫，包括：基于所有乳腺癌诱发源各自的位置信息，确定所有乳腺癌诱发源各自在相应有效超声图像画面对应的结构关联区域；基于所述结构关联区域的边界信息，对所有有效超声图像分别进行画面片段截。玫饺舾扇橄侔┯辗⒃椿嫫危
第二神经网络处理模块，用于对所有乳腺癌诱发源画面片段进行第二神经网络处理，得到相应的乳腺癌发病预测结果，包括：将所有乳腺癌诱发源画面片段输入至卷积神经网络模型进行处理，得到相应的乳腺癌发病预测结果；其中，所述乳腺癌发病预测结果包括所有乳腺癌诱发源转变为乳腺癌的概率分布信息和发生时间预测信息。 说明书 : 基于超声图像识别的乳腺癌病理预测分类系统技术领域[0001] 本发明涉及图像处理的技术领域，特别涉及基于超声图像识别的乳腺癌病理预测分类系统。背景技术[0002] 乳腺癌作为一种发病率较高的癌症，传统的乳腺癌检查诊断都是基于组织切片的方式来实现，虽然组织切片检测能够直接获得患者的乳腺癌病变情况，但是单次的组织切片检测针对的乳腺组织范围有限，无法对患者的乳腺组织进行全局化的检测。为了提高乳腺癌检测的全面性，需要针对患者不同位置的乳腺组织分别进行切片检测，这无疑增加检测的工作量，并且组织切片检测的耗时相对较长，不能在短时间内准确得到乳腺癌病变诊断结果，从而导致延误患者的治疗。相比于组织切片检测这种侵入式检测手段，使用超声波成像检测能够在不需要对乳腺进行侵入性伤害的情况下，对所有乳腺组织进行全局化的检测，并且只需要对相应的超声图像进行分析，即可判断患者是否存在乳腺癌。但是现有的超声波成像检测并未专注于对乳腺癌病理的预测分析，无法在乳腺癌的潜伏时期就能够快速准确地预测病情的发展趋势，不能为患者争取较多的有效治疗时间和提高诊断的可预见性和准确性。发明内容[0003] 针对现有技术存在的缺陷，本发明提供了基于超声图像识别的乳腺癌病理预测分类系统，其从不同时期获取关于乳腺部位的所有超声图像筛选得到有效超声图像，并识别得到乳腺元素属性信息，对乳腺增生状态进行全局化表征，以此从有效超声图像画面提取若干子图层，并基于所有子图层的乳腺元素关联信息，整合得到若干子图层集合，便于后续对具有相近乳腺状态的子图层进行统一处理；还通过神经网络得到子图层集合对应的乳腺元素状态演变特征信息，以此识别其中的乳腺癌诱发源，对乳腺组织的病变趋势进行时间拓展分析；还通过神经网络分析乳腺癌诱发源画面片段，得到乳腺癌发病预测结果，快速准确地预测乳腺癌病情的发展趋势，提高诊断的可预见性和准确性。[0004] 本发明提供基于超声图像识别的乳腺癌病理预测分类系统，包括如下步骤：[0005] 超声图像获取与筛选模块，用于获取不同时期目标对象的乳腺部位的若干超声图像，并对所有超声图像分别进行预处理，从中筛选相应的有效超声图像；[0006] 画面元素识别模块，用于对所有有效超声图像分别进行画面元素识别，得到所述有效超声图像画面相应的乳腺元素属性信息；[0007] 图层提取模块，用于基于所述乳腺元素属性信息，对所述有效超声图像画面进行图层提。玫饺舾勺油疾悖籟0008] 图层整合模块，用于基于所有有效超声图像下属所有子图层对应的乳腺元素关联信息，对所有有效超声图像下属所有子图层进行整合，得到若干子图层集合；[0009] 第一神经网络处理模块，用于将所述子图层集合下属所有子图层进行第一神经网络处理，得到所述子图层集合对应的乳腺元素状态演变特征信息；[0010] 诱发源识别模块，用于基于所述乳腺元素状态演变特征信息，判断所述子图层集合对应的乳腺元素是否属于乳腺癌诱发源；[0011] 画面片段截取模块，用于基于所有乳腺癌诱发源各自的位置信息，对所有有效超声图像分别进行画面片段截。玫饺舾扇橄侔┯辗⒃椿嫫危籟0012] 第二神经网络处理模块，用于对所有乳腺癌诱发源画面片段进行第二神经网络处理，得到相应的乳腺癌发病预测结果。[0013] 在本申请公开的一个实施例中，所述超声图像获取与筛选模块，用于获取不同时期目标对象的乳腺部位的若干超声图像，并对所有超声图像分别进行预处理，从中筛选相应的有效超声图像，包括：[0014] 基于对目标对象的乳腺部位的多次超声检测对应的执行时间信息，获取不同时期所述目标对象的乳腺部分的若干超声图像；其中任意两个超声图像对应的超声检测执行时间间隔不小于预设时间间隔阈值；[0015] 对所有超声图像均依次进行降噪滤波预处理和画面像素轮廓识别预处理，从中筛选相应的有效超声图像。[0016] 在本申请公开的一个实施例中，对所有超声图像均依次进行降噪滤波预处理和画面像素轮廓识别预处理，从中筛选相应的有效超声图像，包括：[0017] 对每个超声图像进行画面网格划分处理，得到若干画面网格区域；对所有画面网格区域分别进行画面背景噪声识别处理，得到所有画面网格区域各自的画面背景噪声分布信息；基于所述画面背景噪声分布信息，对所有画面网格区域进行降噪滤波预处理；[0018] 对所有超声图像分别进行画面像素纹理识别预处理，得到所有超声图像各自的画面像素纹理特征信息；基于所述画面像素纹理特征信息，确定所有超声图像中任意两者之间的画面像素纹理分布相似度；并基于所述画面像素纹理分布相似度，对所有超声图像进行筛。玫较嘤Φ娜舾捎行С枷。[0019] 在本申请公开的一个实施例中，所述画面元素识别模块，用于对所有有效超声图像分别进行画面元素识别，得到所述有效超声图像画面相应的乳腺元素属性信息，包括：[0020] 对所有有效超声图像分别进行乳腺组织轮廓识别处理，得到每个有效超声图像画面上的乳腺组织轮廓特征信息；基于所述乳腺组织轮廓特征信息，确定所述有效超声图像画面存在的所有乳腺组织；[0021] 对所述有效超声图像画面存在的所有乳腺组织分别与基准乳腺组织进行结构轮廓对比，得到所有乳腺组织各自对应的组织生长属性信息，以此作为所述乳腺元素属性信息；其中，所述组织生长属性信息包括乳腺组织生长方向和生长形状信息。[0022] 在本申请公开的一个实施例中，所述图层提取模块，用于基于所述乳腺元素属性信息，对所述有效超声图像画面进行图层提。玫饺舾勺油疾，包括：[0023] 基于所述乳腺元素属性信息包含的乳腺组织生长方向和生长形状信息，对所述有效超声图像画面存在的所有乳腺组织进行统计分类，得到若干乳腺组织集合；其中，每个乳腺组织集合下属所有乳腺组织具有相同或相近的生长方向和生长形状；[0024] 基于每个乳腺组织集合下属所有乳腺组织在所述有效超声图像画面的像素单元位置信息，对所述有效超声图像进行图层提。玫接胨腥橄僮橹弦灰欢杂Φ娜舾勺油疾。[0025] 在本申请公开的一个实施例中，所述图层整合模块，用于基于所有有效超声图像下属所有子图层对应的乳腺元素关联信息，对所有有效超声图像下属所有子图层进行整合，得到若干子图层集合，包括：[0026] 对所有有效超声图像下属所有子图层进行乳腺组织定位识别，得到所有有效超声图像下属所有子图层对应的乳腺组织位置关联信息；其中所述乳腺组织位置关联信息包括所有子图层包含的乳腺组织的相对距离大小信息；[0027] 基于所有有效超声图像下属所有子图层对应的乳腺组织位置关联信息，将具有相同乳腺组织相对距离分布的子图层整合到同一子图层集合，从而得到若干子图层集合。[0028] 在本申请公开的一个实施例中，所述第一神经网络处理模块，用于将所述子图层集合下属所有子图层进行第一神经网络处理，得到所述子图层集合对应的乳腺元素状态演变特征信息，包括：[0029] 将所述子图层集合下属所有子图层输入至时空神经网络模型进行处理，得到所述子图层集合对应的乳腺组织状态演变特征信息；其中，所述乳腺组织状态演变特征信息包括乳腺组织的增生速度和增生区域随时间的变化特征信息。[0030] 在本申请公开的一个实施例中，所述诱发源识别模块，用于基于所述乳腺元素状态演变特征信息，判断所述子图层集合对应的乳腺元素是否属于乳腺癌诱发源，包括：[0031] 基于所述乳腺元素状态演变特征信息包含的乳腺组织的增生速度和增生区域随时间的变化特征信息，确定所述子图层集合对应的乳腺组织是否具有不规律增生趋势；若是，则判断所述子图层集合对应的乳腺组织属于乳腺癌诱发源；若否，则判断所述子图层集合对应的乳腺组织不属于乳腺癌诱发源。[0032] 在本申请公开的一个实施例中，所述画面片段截取模块，用于基于所有乳腺癌诱发源各自的位置信息，对所有有效超声图像分别进行画面片段截。玫饺舾扇橄侔┯辗⒃椿嫫，包括：[0033] 基于所有乳腺癌诱发源各自的位置信息，确定所有乳腺癌诱发源各自在相应有效超声图像画面对应的结构关联区域；基于所述结构关联区域的边界信息，对所有有效超声图像分别进行画面片段截。玫饺舾扇橄侔┯辗⒃椿嫫。[0034] 在本申请公开的一个实施例中，所述第二神经网络处理模块，用于对所有乳腺癌诱发源画面片段进行第二神经网络处理，得到相应的乳腺癌发病预测结果，包括：[0035] 将所有乳腺癌诱发源画面片段输入至卷积神经网络模型进行处理，得到相应的乳腺癌发病预测结果；其中，所述乳腺癌发病预测结果包括所有乳腺癌诱发源转变为乳腺癌的概率分布信息和发生时间预测信息。[0036] 相比于现有技术，该基于超声图像识别的乳腺癌病理预测分类系统从不同时期获取关于乳腺部位的所有超声图像筛选得到有效超声图像，并识别得到乳腺元素属性信息，对乳腺增生状态进行全局化表征，以此从有效超声图像画面提取若干子图层，并基于所有子图层的乳腺元素关联信息，整合得到若干子图层集合，便于后续对具有相近乳腺状态的子图层进行统一处理；还通过神经网络得到子图层集合对应的乳腺元素状态演变特征信息，以此识别其中的乳腺癌诱发源，对乳腺组织的病变趋势进行时间拓展分析；还通过神经网络分析乳腺癌诱发源画面片段，得到乳腺癌发病预测结果，快速准确地预测乳腺癌病情的发展趋势，提高诊断的可预见性和准确性。[0037] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。[0038] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明[0039] 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。[0040] 图1为本发明提供的基于超声图像识别的乳腺癌病理预测分类系统的框架示意图。具体实施方式[0041] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。[0042] 参阅图1，为本发明实施例提供的基于超声图像识别的乳腺癌病理预测分类系统的框架示意图。该基于超声图像识别的乳腺癌病理预测分类系统包括：[0043] 超声图像获取与筛选模块，用于获取不同时期目标对象的乳腺部位的若干超声图像，并对所有超声图像分别进行预处理，从中筛选相应的有效超声图像；[0044] 画面元素识别模块，用于对所有有效超声图像分别进行画面元素识别，得到该有效超声图像画面相应的乳腺元素属性信息；[0045] 图层提取模块，用于基于该乳腺元素属性信息，对该有效超声图像画面进行图层提。玫饺舾勺油疾悖籟0046] 图层整合模块，用于基于所有有效超声图像下属所有子图层对应的乳腺元素关联信息，对所有有效超声图像下属所有子图层进行整合，得到若干子图层集合；[0047] 第一神经网络处理模块，用于将该子图层集合下属所有子图层进行第一神经网络处理，得到该子图层集合对应的乳腺元素状态演变特征信息；[0048] 诱发源识别模块，用于基于该乳腺元素状态演变特征信息，判断该子图层集合对应的乳腺元素是否属于乳腺癌诱发源；[0049] 画面片段截取模块，用于基于所有乳腺癌诱发源各自的位置信息，对所有有效超声图像分别进行画面片段截。玫饺舾扇橄侔┯辗⒃椿嫫危籟0050] 第二神经网络处理模块，用于对所有乳腺癌诱发源画面片段进行第二神经网络处理，得到相应的乳腺癌发病预测结果。[0051] 该基于超声图像识别的乳腺癌病理预测分类系统从不同时期获取关于乳腺部位的所有超声图像筛选得到有效超声图像，并识别得到乳腺元素属性信息，对乳腺增生状态进行全局化表征，以此从有效超声图像画面提取若干子图层，并基于所有子图层的乳腺元素关联信息，整合得到若干子图层集合，便于后续对具有相近乳腺状态的子图层进行统一处理；还通过神经网络得到子图层集合对应的乳腺元素状态演变特征信息，以此识别其中的乳腺癌诱发源，对乳腺组织的病变趋势进行时间拓展分析；还通过神经网络分析乳腺癌诱发源画面片段，得到乳腺癌发病预测结果，快速准确地预测乳腺癌病情的发展趋势，提高诊断的可预见性和准确性。[0052] 优选地，该超声图像获取与筛选模块，用于获取不同时期目标对象的乳腺部位的若干超声图像，并对所有超声图像分别进行预处理，从中筛选相应的有效超声图像，包括：[0053] 基于对目标对象的乳腺部位的多次超声检测对应的执行时间信息，获取不同时期该目标对象的乳腺部分的若干超声图像；其中任意两个超声图像对应的超声检测执行时间间隔不小于预设时间间隔阈值；[0054] 对所有超声图像均依次进行降噪滤波预处理和画面像素轮廓识别预处理，从中筛选相应的有效超声图像。[0055] 在上述技术方案中，人体乳腺组织在发生增生的情况下，更容易出现乳腺癌变的情况，而乳腺组织增生是一个相对缓慢的过程，并且乳腺组织增生并不必然导致乳腺癌形成。为了对人体乳腺组织的增生变化进行准确可靠的预测，基于对目标对象的乳腺部位的多次超声检测对应的执行时间信息，获取不同时期该目标对象的乳腺部分的若干超声图像，并且任意两个超声图像对应的超声检测执行时间间隔不小于预设时间间隔阈值，这样能够保证每个超声图像能够充分反映人体组织的增生变化状态。还有对所有超声图像均依次进行降噪滤波预处理和画面像素轮廓识别预处理，从中筛选相应的有效超声图像，这样能够定向剔除图像画面内容相近或重复的超声图像，降低超声图像内部的噪声干扰和为后续乳腺元素的属性识别提供可靠的图像数据。[0056] 优选地，对所有超声图像均依次进行降噪滤波预处理和画面像素轮廓识别预处理，从中筛选相应的有效超声图像，包括：[0057] 对每个超声图像进行画面网格划分处理，得到若干画面网格区域；对所有画面网格区域分别进行画面背景噪声识别处理，得到所有画面网格区域各自的画面背景噪声分布信息；基于该画面背景噪声分布信息，对所有画面网格区域进行降噪滤波预处理；[0058] 对所有超声图像分别进行画面像素纹理识别预处理，得到所有超声图像各自的画面像素纹理特征信息；基于该画面像素纹理特征信息，确定所有超声图像中任意两者之间的画面像素纹理分布相似度；并基于该画面像素纹理分布相似度，对所有超声图像进行筛。玫较嘤Φ娜舾捎行С枷。[0059] 在上述技术方案中，每个超声图像是对目标对象的乳腺组织进行全局超声波检测成像形成的，在超声波检测成像过程中会受到干扰，使得超声图像存在干扰噪声，为了降低超声图像的噪声成分，对每个超声图像进行画面网格划分处理，得到若干画面网格区域；对所有画面网格区域分别进行画面背景噪声识别处理，得到所有画面网格区域各自的画面背景噪声分布信息，对所有画面网格区域进行降噪滤波预处理，这样能够对超声图像画面的所有网格区域进行精细化的降噪滤波。还有对所有超声图像分别进行画面像素纹理识别预处理，得到所有超声图像各自的画面像素纹理特征信息，以此确定所有超声图像中任意两者之间的画面像素纹理分布相似度，再对所有超声图像进行去重筛。嫦袼匚评矸植枷嗨贫却笥谠ど柘嗨贫茹兄档牧礁龀枷窠腥ブ卮，只保留具有最高图像画面衬度的一个超声图像，从而得到相应的若干有效超声图像，有效降低超声图像数据处理量的同时，确保保留的有效超声图像能够真实全面表征目标对象的乳腺组织增生变化情况。[0060] 优选地，该画面元素识别模块，用于对所有有效超声图像分别进行画面元素识别，得到该有效超声图像画面相应的乳腺元素属性信息，包括：[0061] 对所有有效超声图像分别进行乳腺组织轮廓识别处理，得到每个有效超声图像画面上的乳腺组织轮廓特征信息；基于该乳腺组织轮廓特征信息，确定该有效超声图像画面存在的所有乳腺组织；[0062] 对该有效超声图像画面存在的所有乳腺组织分别与基准乳腺组织进行结构轮廓对比，得到所有乳腺组织各自对应的组织生长属性信息，以此作为该乳腺元素属性信息；其中，该组织生长属性信息包括乳腺组织生长方向和生长形状信息。[0063] 在上述技术方案中，对所有有效超声图像分别进行乳腺组织轮廓识别处理，得到每个有效超声图像画面上的乳腺组织轮廓特征信息，以此确定该有效超声图像画面存在的所有乳腺组织，这样能够对每个有效超声图像画面上存在的所有乳腺组织进行标识，便于后续准确对每个乳腺组织的生长变化趋势进行准确确定。还有对该有效超声图像画面存在的所有乳腺组织分别与基准乳腺组织进行结构轮廓对比，得到所有乳腺组织各自对应的生长方向和生长形状，从而将所有乳腺组织的生长趋势进行定性预测。[0064] 优选地，该图层提取模块，用于基于该乳腺元素属性信息，对该有效超声图像画面进行图层提。玫饺舾勺油疾，包括：[0065] 基于该乳腺元素属性信息包含的乳腺组织生长方向和生长形状信息，对该有效超声图像画面存在的所有乳腺组织进行统计分类，得到若干乳腺组织集合；其中，每个乳腺组织集合下属所有乳腺组织具有相同或相近的生长方向和生长形状；[0066] 基于每个乳腺组织集合下属所有乳腺组织在该有效超声图像画面的像素单元位置信息，对该有效超声图像进行图层提。玫接胨腥橄僮橹弦灰欢杂Φ娜舾勺油疾。[0067] 在上述技术方案中，基于该乳腺元素属性信息包含的乳腺组织生长方向和生长形状信息，对该有效超声图像画面存在的所有乳腺组织进行统计分类，得到所有乳腺组织的生长方向和生长形状分布概率，再以该生长方向和生长形状分布概率为基准，对所有乳腺组织进行区分分类，得到若干乳腺组织集合，这样每个乳腺组织集合下属所有乳腺组织具有相同或相近的生长方向和生长形状，使得每个乳腺组织集合下属所有乳腺组织在生长方向和生长形状上具有一致性，为后续进行图层提取提供有效依据。还有，基于每个乳腺组织集合下属所有乳腺组织在该有效超声图像画面的像素单元位置信息，对该有效超声图像进行图层提。玫接胨腥橄僮橹弦灰欢杂Φ娜舾勺油疾，这样每个子图层包含的所有乳腺组织具有相同或相近的生长方向和生长形状，便于采用同一算法对子图层进行乳腺组织增生状态的分析。[0068] 优选地，该图层整合模块，用于基于所有有效超声图像下属所有子图层对应的乳腺元素关联信息，对所有有效超声图像下属所有子图层进行整合，得到若干子图层集合，包括：[0069] 对所有有效超声图像下属所有子图层进行乳腺组织定位识别，得到所有有效超声图像下属所有子图层对应的乳腺组织位置关联信息；其中该乳腺组织位置关联信息包括所有子图层包含的乳腺组织的相对距离大小信息；[0070] 基于所有有效超声图像下属所有子图层对应的乳腺组织位置关联信息，将具有相同乳腺组织相对距离分布的子图层整合到同一子图层集合，从而得到若干子图层集合。[0071] 在上述技术方案中，对所有有效超声图像下属所有子图层进行乳腺组织定位识别，得到所有有效超声图像下属所有子图层对应的乳腺组织位置关联信息，对每个子图层包含的所有乳腺组织之间的相对距离进行定量确定，为后续子图层集合的划定提供量化基准，使得同一子图层集合下属所有子图层是关于邻近的所有乳腺组织，实现对邻近的所有乳腺组织的集中识别分析。[0072] 优选地，该第一神经网络处理模块，用于将该子图层集合下属所有子图层进行第一神经网络处理，得到该子图层集合对应的乳腺元素状态演变特征信息，包括：[0073] 将该子图层集合下属所有子图层输入至时空神经网络模型进行处理，得到该子图层集合对应的乳腺组织状态演变特征信息；其中，该乳腺组织状态演变特征信息包括乳腺组织的增生速度和增生区域随时间的变化特征信息。[0074] 在上述技术方案中，将同一子图层集合下属所有子图层输入至时空神经网络模型进行处理，得到该子图层集合对应的乳腺组织状态演变特征信息，这样能够对邻近的所有乳腺组织的增生速度和增生区域面积随时间的变化情况进行准确预测，为后续从所有乳腺组织中识别乳腺癌诱发源提供准确依据。[0075] 优选地，该诱发源识别模块，用于基于该乳腺元素状态演变特征信息，判断该子图层集合对应的乳腺元素是否属于乳腺癌诱发源，包括：[0076] 基于该乳腺元素状态演变特征信息包含的乳腺组织的增生速度和增生区域随时间的变化特征信息，确定该子图层集合对应的乳腺组织是否具有不规律增生趋势；若是，则判断该子图层集合对应的乳腺组织属于乳腺癌诱发源；若否，则判断该子图层集合对应的乳腺组织不属于乳腺癌诱发源。[0077] 在上述技术方案中，基于该乳腺元素状态演变特征信息包含的乳腺组织的增生速度和增生区域面积随时间的变化特征信息，确定该子图层集合对应的乳腺组织是否具有不规律增生趋势，这样能够对乳腺组织在增生过程中的规律趋势进行预测判断，从而对可能诱发乳腺癌的乳腺组织进行标识。[0078] 优选地，该画面片段截取模块，用于基于所有乳腺癌诱发源各自的位置信息，对所有有效超声图像分别进行画面片段截。玫饺舾扇橄侔┯辗⒃椿嫫，包括：[0079] 基于所有乳腺癌诱发源各自的位置信息，确定所有乳腺癌诱发源各自在相应有效超声图像画面对应的结构关联区域；基于该结构关联区域的边界信息，对所有有效超声图像分别进行画面片段截。玫饺舾扇橄侔┯辗⒃椿嫫。[0080] 在上述技术方案中，基于所有乳腺癌诱发源各自的位置信息，确定所有乳腺癌诱发源各自在相应有效超声图像画面对应的结构关联区域，该结构关联区域可为但不限于是与乳腺癌诱发源存在组织结构连接关系的其他组织区域，再以该结构关联区域的边界信息为基准，对有效超声图像分别进行画面片段截。玫饺橄侔┯辗⒃椿嫫，使得乳腺癌诱发源画面片段能够全面包含乳腺癌诱发源对应的组织结构信息。[0081] 优选地，该第二神经网络处理模块，用于对所有乳腺癌诱发源画面片段进行第二神经网络处理，得到相应的乳腺癌发病预测结果，包括：[0082] 将所有乳腺癌诱发源画面片段输入至卷积神经网络模型进行处理，得到相应的乳腺癌发病预测结果；其中，该乳腺癌发病预测结果包括所有乳腺癌诱发源转变为乳腺癌的概率分布信息和发生时间预测信息。[0083] 在上述技术方案中，将所有乳腺癌诱发源画面片段输入至卷积神经网络模型进行处理，得到相应的乳腺癌发病预测结果，从而对所有乳腺癌诱发源转变为乳腺癌的概率分布信息和发生时间预测信息进行全面的预测，快速准确地预测乳腺癌病情的发展趋势，提高诊断的可预见性和准确性。[0084] 从上述实施例的内容可知，该基于超声图像识别的乳腺癌病理预测分类系统从不同时期获取关于乳腺部位的所有超声图像筛选得到有效超声图像，并识别得到乳腺元素属性信息，对乳腺增生状态进行全局化表征，以此从有效超声图像画面提取若干子图层，并基于所有子图层的乳腺元素关联信息，整合得到若干子图层集合，便于后续对具有相近乳腺状态的子图层进行统一处理；还通过神经网络得到子图层集合对应的乳腺元素状态演变特征信息，以此识别其中的乳腺癌诱发源，对乳腺组织的病变趋势进行时间拓展分析；还通过神经网络分析乳腺癌诱发源画面片段，得到乳腺癌发病预测结果，快速准确地预测乳腺癌病情的发展趋势，提高诊断的可预见性和准确性。[0085] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

专利地区：四川

专利申请日期：2024-07-25

专利公开日期：2024-10-11

专利公告号：CN118537662B