一种基于超声的卵巢附件肿块辅助诊断的方法、设备及程序产品与流程

本技术涉及智能医疗领域，具体涉及一种基于超声的卵巢附件肿块辅助诊断方法、设备、程序产品及计算机可读存储介质。

背景技术：

1、卵巢癌是妇科三大常见的恶性肿瘤之一，致死率居妇科恶性肿瘤的首位，已成为妇女生命健康的重要威胁。根据《国家癌症中心：2024年全国癌症报告》，我国卵巢癌发病率及死亡率明显升高。卵巢癌发生于骨盆深处，起病隐匿且缺乏特异性临床症状，极易被误诊、漏诊。超过75％的患者晚期时才被初步诊断，已错过最佳治疗时机，5年相对生存率仅为29％。因此，准确识别及诊断卵巢癌对提高卵巢癌患者存活率和改善预后效果具有重大意义。超声具备便捷、价廉、实时、无创、可重复等优势，是我国不同等级医疗机构的首选附件肿块影像学检查方法。然而，由于附件肿块解剖位置和生物行为的复杂性以及超声成像极为耗时和操作者依赖性强的特点，单独使用超声诊断卵巢癌的准确性仍相对较低。因此，为了提高附件肿块的诊断准确性，许多学者基于患者的一般临床数据、超声图像特征、实验室检验等构建了各种临床诊断模型和附件肿块分类系统，如恶性风险指数(rmi)、妇科超声成像报告与数据系统(gi-rads)、简易规则(sr)、附件区病变分析模型(adnex)和卵巢附件报告与数据系统(o-rads)。然而，由于卵巢肿块超声图像的复杂性高，以及盆腔深部的解剖学特征，目前对附件肿块的超声诊断方法大多依赖于专业放射科医生手动提取特征，主观评估需要丰富的经验和技能，识别卵巢和卵巢肿块，以及筛查卵巢癌更具挑战性。其诊断准确性和效率有待提高，缺乏实用性和普适性，不利于在基层医疗机构广泛推广和应用。

2、近年来，随着人工智能(artificial intelligence,ai)技术的快速发展，“医疗人工智能”突显出巨大的优势。其中，深度学习能从影像数据中自动提取复杂、从浅层到深层的海量特征，量化分析，避免操作者依赖的特征选择，采取端到端的学习模式，达到智能识别和分类的效果，成为当前人工智能研究的核心应用技术。具有减轻超声医师的工作量，提高诊断效率；减少人工判读的主观性偏差，提高诊断准确性；为疾病预测、风险评估、治疗方案的选择提供参考性的临床建议和解决方案，提升基层医疗服务水平，促进分级诊疗的优势。因此，开发一个快速准确的自动检测及诊断的超声智能系统对于筛查及诊断卵巢癌来说非常重要。而目前现有的智能诊断模型仍然需要人工裁剪超声图像，效率低，缺乏检测、分割、分类诊断、可解释性分析一体化的卵巢肿块超声智能诊断系统，缺乏临床实用价值。

技术实现思路

1、针对上述问题，本发明提出一种基于超声的卵巢附件肿块辅助诊断的方法，具体包括：

2、s1获取患者妇科附件区超声图像；

3、s2将所述超声图像输至第一神经网络中进行分类得到正常卵巢分类概率和卵巢肿块分类概率；

4、s3当图像判定为卵巢肿块时，将所述超声图像输至第二神经网络中进行分类得到良性肿块分类概率和恶性肿块分类概率。

5、所述分类过程包括先进行目标检测确定目标位置，再基于所述目标位置进行目标区域分割得到分割区域图像，再基于分割区域图像进行分类得到结果；

6、可选地，所述第一神经网络的分类过程包括先对超声图像进行卵巢检测得到卵巢位置，再基于所述卵巢位置进行图像分割得到卵巢图像；再基于所述卵巢图像进行分类得到正常卵巢或卵巢肿块；

7、可选地，所述第二神经网络的分类过程包括先对卵巢肿块进行肿块检测得到肿块位置，再基于肿块位置进行图像分割得到肿块区域图像，再基于所述肿块区域图像进行分类得到良性肿块或恶性肿块；

8、可选地，所述s1替换为s11,获取患者妇科附件区超声图像组，对所述超声图像组中的各个图像依次进行s2-s3的步骤得到各个图像的分类概率，对各个图像的分类概率进行加权平均计算得到患者的诊断预测结果。

9、所述s1替换为s12，获取患者妇科附件区实时超声视频，并将超声视频转换为视频帧图像集；所述s2替换为s21，将所述视频帧图像集逐帧输入第一神经网络进行分类得到逐帧图像分类概率，对逐帧图像分类概率进行加权平均计算得到实时视频是正常卵巢或卵巢肿块的概率；

10、所述s3替换为s31，当实时视频判定为卵巢肿块，将所述视频帧图像集逐帧输至第二神经网络中进行分类得到逐帧分类概率结果,对各图像帧的分类概率结果进行加权平均计算得到实时视频的恶性或良性肿块概率；基于所述恶性或良性肿块概率得到患者实时视频的良恶性诊断结果；

11、可选地，将所述s12替换为s13；获取患者妇科附件区实时超声视频，并将超声视频转换为视频帧图像集，对所述视频帧图像集进行连续分组并进行平均计算得到n个平均图像将所述视频帧图像集逐帧输入第一神经网络得到分类概率结果，n为大于等于6的自然数。

12、所述第一神经网络的训练步骤为：

13、获取卵巢及卵巢肿块图像集；

14、对所述图像集进行数据标注得到标注后的图像；所述数据标注通过病例-肿块-单切面图像的标注层级进行标注；

15、将所述标注后的图像输至神经网络中进行训练得到第一神经网络；

16、可选地，所述病例-肿块-单切面图像中的所述病例包括多肿块结果，所述肿块包括多切面图像结果；

17、可选地，所述标注的标签包括正常卵巢标签、卵巢肿块标签；

18、可选地，所述第一神经网络的训练步骤还包括数据预处理，对所述卵巢及卵巢肿块图像集进行数据预处理得到预处理后的数据，再基于所述预处理后的数据进行数据标注；

19、可选地，所述数据预处理包括下列的一种或几种：数据增强、图像翻转、图像旋转。

20、所述第二神经网络的训练步骤为：

21、获取卵巢肿块图像集；

22、对所述卵巢肿块图像集进行数据标注得到肿块标注后的图像；

23、将所述肿块标注后的图像输至神经网络中进行训练得到第二神经网络；

24、可选地，所述第二神经网络的训练步骤还包括数据处理，对所述卵巢肿块进行数据处理得到处理后的图像，再将所述处理后的图像输至神经网络中进行训练得到第二神经网络；

25、可选地，所述数据处理包括下列的一种或几种：图像裁剪、图像归一化、图像边界扩展；

26、可选地，所述图像边界扩展是对卵巢图像的各个方向向上扩展l个像素，l为大于等于25的自然数；

27、可选地，所述标注的标签包括良恶性分类标签；

28、可选地，所述良恶性分类标签通过肿块的临床分期分级、病理亚型、肿块的特征以及图像的完整度的结果进行标注；

29、可选地，所述病理亚型的标签通过三维独热码表示。

30、进一步，所述神经网络包括分割模块、分类模块；

31、可选地，所述神经网络采用下列的一种或几种：mtanet、mask r-cnn、u-net withclassifier、panoptic fpn、deeplabv3+、solo、solov2、hrnet；

32、可选地，神经网络包括检测模块、分割模块和分类模块；

33、可选地，所述检测模块采用下列的一种或几种：yolo、faster r-cnn、ssd、detr、cornernet、centernet；

34、可选地，所述神经网络还包括可视化模块，卵巢或卵巢肿块图像通过检测模块或分割模块后得到感兴趣的目标区域特征图，通过所述可视化模块对所述目标区域特征图进行可视化得到可视化结果。

35、所述超声图像通过第一神经网络进行分类得到正常卵巢或卵巢肿块的分类概率，将所述卵巢肿块的分类概率与第一预设阈值进行比较，当卵巢肿块的分类概率大于第一阈值则判定为卵巢肿块，反之，判定为正常卵巢；

36、可选地，所述第二神经网络进行分类得到良性肿块和恶性肿块的分类概率，将所述分类概率与第二预设阈值进行比较，当良性肿块的分类概率大于第二预设阈值时判定为良性肿块，反之，判定为恶性肿块。

37、本发明的目的在于提供一种计算机程序产品，其上有计算机程序/指令，所述计算机程序/指令被处理器执行实现上述的基于超声的卵巢附件肿块辅助诊断方法。

38、本发明的目的在于提供一种计算机设备，包括存储器与处理器及存储在存储器上的计算机程序/指令，所述计算机程序/指令被所述处理器执行实现上述的基于超声的卵巢附件肿块辅助诊断方法。

39、本发明的目的在于提供一种计算机可读存储介质，其上存储有计算机程序/指令，所述计算机程序/指令被处理器执行上述的基于超声的卵巢附件肿块辅助诊断方法。

40、本发明的优势：

41、1.集成多任务进行一体化自动诊断：实时肿块和正常卵巢定位检测、自动区分出正常卵巢和肿块、自动分割正常卵巢和肿块、自动诊断肿块性质并做出概率判定、自动进行可解释性分析。

42、2.通过向建立的模型输入附件超声视频，实现卵巢肿块的筛查，并应用在临床卵巢肿块诊断中，能够实时检测超声视频中卵巢位置并进行分割分类，实现视频检测卵巢位置及卵巢肿块的性质。

43、3.针对卵巢结构的生理位置，基于临床检查的流程特点，本发明提出的辅助诊断方法能够有效根据临床检测的流程完成卵巢及卵巢肿块的检测、分割、分类及可解释性分析，有利于实际临床的应用，辅助初级或中级医生的检查，提高初级或中级医师的检查效率和准确率。