本發(fā)明屬于智能診斷，尤其涉及一種乳腺容積超聲病灶定位和分級方法、介質(zhì)及終端。

背景技術(shù)：

1、隨著醫(yī)學(xué)影像技術(shù)的快速發(fā)展，乳腺癌的早期診斷和治療變得越來越重要。乳腺容積超聲(breast?volume?ultrasound，bvu)作為一種非侵入性、無輻射的檢查手段，已成為乳腺癌篩查和診斷的重要工具，bvu能夠提供乳腺組織的高分辨率三維圖像，有助于醫(yī)生觀察乳腺結(jié)構(gòu)、檢測腫塊、囊腫和其他異常情況，然而，由于乳腺組織的復(fù)雜性和超聲圖像的不穩(wěn)定性，從bvu圖像中準(zhǔn)確識別和分級病灶仍然是一個挑戰(zhàn)。

2、傳統(tǒng)的病灶檢測方法主要依賴于醫(yī)生的經(jīng)驗和手動操作，這不僅耗時且具有主觀性，而且可能因為醫(yī)生疲勞或經(jīng)驗不足而導(dǎo)致漏診或誤診，導(dǎo)致病灶檢測準(zhǔn)確性不高；此外，隨著乳腺癌患者數(shù)量的增加，醫(yī)生的工作量也隨之增加，這進一步加劇了診斷的難度。近年來，深度學(xué)習(xí)技術(shù)在圖像處理和模式識別領(lǐng)域取得了顯著進展，特別是在醫(yī)學(xué)圖像分析中的應(yīng)用日益廣泛，然而大多數(shù)現(xiàn)有的深度學(xué)習(xí)研究集中在二維圖像上，對于三維超聲圖像的處理仍面臨挑戰(zhàn)。公告號為cn113239951b的專利提供了一種超聲乳腺病灶的分類方法、裝置及存儲介質(zhì)，包括獲取待分類的目標(biāo)超聲乳腺信息，所述目標(biāo)超聲乳腺信息為目標(biāo)超聲乳腺圖像或者目標(biāo)超聲乳腺視頻，所述目標(biāo)超聲乳腺視頻中包括至少兩幀目標(biāo)超聲乳腺圖像；通過乳腺組織評估網(wǎng)絡(luò)確定所述目標(biāo)超聲乳腺圖像是否為乳腺切面所對應(yīng)的乳腺圖像；若所述目標(biāo)超聲乳腺圖像是所述乳腺切面所對應(yīng)的乳腺圖像，則識別所述目標(biāo)超聲乳腺圖像中的病灶區(qū)域；將識別得到的所述病灶區(qū)域分割為n1*n2個數(shù)據(jù)塊；將每個數(shù)據(jù)塊轉(zhuǎn)換為p1*p2*c維的向量數(shù)據(jù)；其中n1＝h/p1，n2＝w/p2；h為輸入圖像的高度，w為輸入圖像的寬度，p1為分割后數(shù)據(jù)塊的高度，p2為分割后數(shù)據(jù)塊的寬度；將n1*n2個數(shù)據(jù)塊對應(yīng)的向量數(shù)據(jù)合并，得到n1n2×p1p2c的二維數(shù)據(jù)矩陣；根據(jù)每個數(shù)據(jù)塊在所述目標(biāo)超聲乳腺圖像中的位置，生成所述位置對應(yīng)的位置編碼向量，并將所述位置編碼向量添加至所述二維數(shù)據(jù)矩陣中，得到的待處理的數(shù)據(jù)矩陣；所述待處理的數(shù)據(jù)矩陣輸入預(yù)先訓(xùn)練的圖像分類網(wǎng)絡(luò)中，得到所述目標(biāo)超聲乳腺圖像所對應(yīng)的病灶性質(zhì)分類。此專利當(dāng)中也是基于二維圖像對乳腺病灶進行研究，存在與現(xiàn)有技術(shù)相同的弊端。

3、因此，如何提高乳腺病灶檢測的準(zhǔn)確性和效率，降低醫(yī)生工作量，是本技術(shù)領(lǐng)域人員亟待解決的問題。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的提供一種乳腺容積超聲病灶定位和分級方法，以解決現(xiàn)有技術(shù)中病灶檢測準(zhǔn)確性和效率低的問題；另外本發(fā)明還提供了一種乳腺容積超聲病灶定位和分級介質(zhì)及終端。

2、為了解決上述技術(shù)問題，本發(fā)明采用了如下的技術(shù)方案：

3、第一方面，本發(fā)明提供了一種乳腺容積超聲病灶定位和分級方法，包括以下步驟：

4、s10、當(dāng)u型網(wǎng)絡(luò)準(zhǔn)備就緒后，對冠狀面二維圖像序列數(shù)據(jù)使用z-score標(biāo)準(zhǔn)化操作進行歸一化處理；

5、s20、將歸一化后的3d圖像數(shù)據(jù)作為u-點云神經(jīng)網(wǎng)絡(luò)模型的輸入，進行u-點云神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，并輸出概率分布結(jié)果；

6、s30、根據(jù)概率分布結(jié)果分割乳腺容積超聲病灶位置，保存病灶位置的三維圖像，并作為點云的輸入數(shù)據(jù)；

7、s40、利用點云網(wǎng)絡(luò)處理所述步驟s30輸入的數(shù)據(jù)，從點集學(xué)習(xí)全局和局部特征，實現(xiàn)乳腺容積超聲病灶的3d分類任務(wù)和分割任務(wù)。

8、進一步的，所述步驟s10中，使用z-score標(biāo)準(zhǔn)化操作對數(shù)據(jù)進行歸一化處理，假設(shè)原始數(shù)據(jù)為st+i，歸一化操作表示為：

9、

10、其中，μ跟δ為所述步驟s10中預(yù)先求得的均值與標(biāo)準(zhǔn)差，數(shù)據(jù)按照z-score標(biāo)準(zhǔn)化操作歸一化后滿足正態(tài)分布，均值為0，標(biāo)準(zhǔn)差為1。

11、進一步的，所述步驟s20中，所述u-點云神經(jīng)網(wǎng)絡(luò)模型包括輸入層、u型網(wǎng)絡(luò)模塊、點云模塊和輸出層。

12、進一步的，所述u型網(wǎng)絡(luò)模塊包括分析路徑和合成路徑，兩者各包含四個分辨率層級，在分析路徑中，每一層包括兩個3×3×3的卷積層，每個卷積層后接一個relu激活函數(shù)，隨后是一個2×2×2的最大池化層，池化步長為2，用于提取高層特征。

13、進一步的，在合成路徑中，每一層首先是一個2×2×2的上卷積層，步長為2，用于回復(fù)特征圖的空間分辨率，上卷積層后跟有兩個3×3×3的卷積層，每個卷積層后接一個relu激活函數(shù)，在每次上采樣后，將得到的特征圖像與對應(yīng)下采樣的特征圖像相拼接，最后的softmax層將輸出圖像轉(zhuǎn)化為與輸入圖像尺寸相同的分割結(jié)果，且分割結(jié)果是一個三維概率圖，其中每個體素都被分配了一個概率分布。

14、進一步的，所述步驟s30中，根據(jù)輸出的概率分布結(jié)果提供一個閾值選擇函數(shù)用于分割病灶位置，概率超過閾值的數(shù)據(jù)記為1，概率未超過閾值的數(shù)據(jù)記為0，將記為1的數(shù)據(jù)的圖像三維位置保存并作為點云的輸入數(shù)據(jù)。

15、進一步的，所述步驟s40的具體步驟如下：

16、s401、點云網(wǎng)絡(luò)接收一個無序的點集作為輸入，每個點由其三維坐標(biāo)表示；

17、s402、點云網(wǎng)絡(luò)通過輸入變換網(wǎng)絡(luò)對輸入的點云數(shù)據(jù)進行對齊，輸入變換網(wǎng)絡(luò)包括若干卷積層和全連接層，最終輸出一個3×3的變換矩陣，用于對輸入點云的坐標(biāo)進行仿射變換；

18、s403、變換矩陣輸出的點云數(shù)據(jù)進入到共享的多層感知機中，共享的多層感知機包括若干卷積層，每個點經(jīng)過相同的卷積操作，提取出局部特征；

19、s404、點云網(wǎng)絡(luò)使用特征變換網(wǎng)絡(luò)對提取的局部特征進行對齊，特征變換網(wǎng)絡(luò)包括若干卷積層和全連接層，最終輸出一個64×64的變換矩陣，用于對特征向量進行變換；

20、s405、點云網(wǎng)絡(luò)使用最大池化層從所有點的局部特征中提取全局特征向量，用于后續(xù)的分類和分割任務(wù)。

21、進一步的，所述步驟s405中，對于分類任務(wù)，點云將提取的全局特征向量通過分類分支的全連接層，最終輸出每個類別的概率，分類分支由若干個全連接層組成，全連接層對全局特征向量進行處理，生成最終的分類結(jié)果，以對整個點云進行分類，識別出點云所屬的類別；對于分割任務(wù)，點云將全局特征向量與每個點的局部特征拼接，然后通過分割分支的卷積層，輸出每個點的分割結(jié)果，分割分支由若干個卷積層組成，卷積層對拼接后的特征向量進行處理，生成每個點的分割標(biāo)簽，以對點云中的每個點進行細粒度的分割，識別出每個點所屬的類別。

22、第二方面，本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上所述方法。

23、第三方面，本發(fā)明還提供了一種電子終端，包括：處理器及存儲器；所述存儲器用于存儲計算機程序，所述處理器用于執(zhí)行所述存儲器存儲的計算機程序，以使所述終端執(zhí)行如上所述方法。

24、本發(fā)明提供的乳腺容積超聲病灶定位和分級方法、介質(zhì)及終端與現(xiàn)有技術(shù)相比，至少具有如下有益效果：

25、傳統(tǒng)的病灶檢測方法主要依賴于醫(yī)生的經(jīng)驗和手動操作，這不僅耗時且具有主觀性，而且可能因為醫(yī)生疲勞或經(jīng)驗不足而導(dǎo)致漏診或誤診，導(dǎo)致病灶檢測準(zhǔn)確性不高；此外，隨著乳腺癌患者數(shù)量的增加，醫(yī)生的工作量也隨之增加，這進一步加劇了診斷的難度。本發(fā)明通過3d?u-net網(wǎng)絡(luò)進行三維分割，能夠準(zhǔn)確識別和定位病灶區(qū)域，減少了漏診和誤診的風(fēng)險，利用點云網(wǎng)絡(luò)對病灶區(qū)域進行精確定位和分級，提高了病灶檢測的整體準(zhǔn)確性。自動化的檢測流程顯著減少了醫(yī)生的手動操作和主觀判斷，提高了診斷效率，使醫(yī)生能夠?qū)⒏嗟臅r間和精力投入到患者的治療和管理中，減輕了工作負擔(dān)，此外，本發(fā)明在處理三維醫(yī)學(xué)圖像數(shù)據(jù)時，能夠充分利用圖像的立體信息，提供更全面的病灶特征，為乳腺癌的早期診斷和治療提供了有力的支持。綜上所述，本發(fā)明通過深度學(xué)習(xí)技術(shù)，特別是在三維分割和點云分類方面的應(yīng)用，解決了傳統(tǒng)方法依賴醫(yī)生經(jīng)驗和手動操作的不足，為乳腺癌的早期診斷和治療提供了有效的工具。