一种乳腺癌超声检测系统的制作方法

1.本发明涉及超声检测领域，尤其涉及一种乳腺癌超声检测系统。


背景技术：

2.乳腺癌是乳腺上皮细胞在多种致癌因子的作用下，发生增殖失控的现象。疾病早期常表现为乳房肿块、乳头溢液、腋窝淋巴结肿大等症状，晚期可因癌细胞发生远处转移，出现多器官病变，直接威胁患者的生命。
3.申请号cn201810745253.x公开了一种基于多样性区分学习的乳腺肿瘤识别方法，首先创建多样性分类学习模型，用于对肿瘤的多样性状态进行分类，然后创建区分性学习模型，用于对与常态肿瘤差异性较大的肿瘤进行分类，通过多样性分类学习模型和区分性学习模型对肿瘤进行识别。申请号cn202110273723.9公开了一种乳腺超声图像病灶智能识别防漏判系统的构建方法，包括s1.数据准备，s2.深度神经网络模型设计，s3.防漏诊数据一致性设计，s4.防漏诊模型训练，s5.防漏诊模型测试。上述的方法计算一方面所需的计算量比较大，另一方面由于需要针对确定好的图像进行检测难以进行实时检测。
4.此外，目前的实时辅助检测的方法一般都需要进行探头的定位，但是现有的定位手段都比较复杂，成本高，且精度不高。


技术实现要素：

5.针对上述内容，为解决上述问题，提供一种乳腺癌超声检测系统，包括检测主机、超声探头、显示屏幕和图像处理模块，还包括提醒屏幕、位置计算模块和光学传感器；检测主机连接超声探头、显示屏幕图像处理模块、提醒屏幕和位置计算模块；超声探头发射和接收超声波信号，并将收集的超声回波信号发送给检测主机，检测主机将超声回波信号发送给图像处理模块进行图像处理，将超声回波信号计算成二维图像，并显示在显示屏幕上；超声探头上安装有光学传感器，光学传感器用于实时记录超声探头相对皮肤的移动数据，并将移动数据发送给检测主机，检测主机将收到的移动数据发送给位置计算模块，位置计算模块根据移动数据进行位置计算，并将计算的位置坐标和超声探头检测的图像进行关联；检测主机实时获取图像处理模块的二维图像数据，并将二维图像数据输入神经网络判别模型，得到每一帧图像的风险值，并将风险值实时显示在提醒屏幕上；提醒屏幕连接检测主机，检测主机根据执行一次检测流程中风险值最高的图像帧对应的位置坐标，在提醒屏幕上显示控制超声探头移动方向的指令。
6.光学传感器设置在超声探头的顶端，使用时与皮肤接触，包括发光器、棱镜、光检测器和分析芯片；发光器发射光经过棱镜的引导照射到皮肤上，皮肤反射的光被棱镜接收并引导至光检测器，光检测器将接收到的反射光的信号发送给分析芯片，分析芯片由此计算出光学传感器相对于皮肤移动的方向和速度；光学传感器将实时记录的方向和速度数据
发送给检测主机。
7.检测主机将二维图像数据输入神经网络判别模型包括：降低像素：首先将图像进行分块，将图像分成均匀的128
×
128个区域，每个区域内的像素的灰度值进行平均，从而得到一个128
×
128像素的图像；图像编码：将降低像素后的图像进行编码，按照灰度值从低到高分成8个区间，每个区间用一个数值代替，从而可以实现利用从0至7的8个数字将图像灰度值替代，进而得到一个128
×
128的矩阵，矩阵内每一个元素的值为0至7之间；特征提取：将进行特征提取图像编码后的矩阵进行特征提取，得到每一个矩阵的特征向量，即得到了每一帧图像对应的特征向量；将特征向量输入神经网络模型得到对应的风险值。
8.神经网络模型建立方法如下：将已知患有乳腺癌的患者的多张超声检测图像作为训练样本，并进行标记，其中无法推断出具有乳腺癌的图像的风险值标记为0，乳腺癌区域明显的图像风险值标记为100，介于两者之间的图像的风险值根据乳腺癌区域的明显程度标记；然后执行降低像素：首先将图像进行分块，将图像分成均匀的128
×
128个区域，每个区域内的像素的灰度值进行平均，从而得到一个128
×
128像素的图像；然后执行图像编码：将降低像素后的图像进行编码，按照灰度值从低到高分成8个区间，每个区间用一个数值代替，从而可以实现利用从0至7的8个数字将图像灰度值替代，进而得到一个128
×
128的矩阵，矩阵内每一个元素的值为0至7之间；然后执行特征提取：将进行特征提取图像编码后的矩阵进行特征提取，得到每一个矩阵的特征向量，即得到了每一帧图像对应的特征向量；将特征向量作为神经网络模型的输入，将风险值作为神经网络模型的输出构建神经网络模型。
9.神经网络判别模型为卷积神经网络判别模型。
10.光学传感器的结构与光电鼠标的光学传感器的结构相同。
11.检测的过程如下：步骤1：开启主机，并在超声探头上涂抹耦合剂，并检查光学传感器是否正常工作；步骤2：提醒屏幕上显示：请将超声探头放置于左乳房的左下角，启动超声探头开始检测；步骤3：超声探头收集的超声回波信号发送给检测主机，检测主机将超声回波信号发送给图像处理模块进行图像处理，将超声回波信号计算成二维图像，并显示在显示屏幕上；同时光学传感器实时记录超声探头相对皮肤的移动数据，并将移动数据发送给检测主机，检测主机将收到的移动数据发送给位置计算模块，位置计算模块根据移动数据进行位置计算，并将计算的位置坐标和超声探头检测的图像进行关联；步骤4：检测主机实时获取图像处理模块的二维图像数据:将二维图像数据输入神经网络判别模型，得到每一帧图像的风险值，并将风险值实时显示在提醒屏幕上；当任意一帧图像的风险值超过阈值时，提醒屏幕上显示该一帧图像的风险值和坐标，同时提醒屏幕上显示导航指示，引导超声探头朝着该一帧图像的坐标移动，以进行进一步详细检查。
12.本发明的有益效果为：
本发明将传统的光电鼠标的光学传感器引擎安装到乳腺癌检测的超声探头上，从而实现了超声检测的同时可以直接记录其位置，进而利用神经网络模型进行乳腺癌检测的神经网络模型的评判；可以辅助医生进行判断，判断准确率提高，且不容易发生漏诊；同时光学传感器结构简单，稳定性好，比利用其它方式实现的探头定位方法成本更低，且非常容易实现；同时在进行神经网络模型的判别时，引入了降低像素和图像编码的方式，降低了图像的数据量，更容易实现实时分析，一方面降低设备对于图像计算的要求，另一方面计算速度更快，就可以提高图像的获取帧数和速率，可以提高乳腺检测的速度；此外计算量低了以后处理速度更快，延迟更低，检测时操作流畅度更好。
附图说明
13.被包括来提供对所公开主题的进一步认识的附图，将被并入此说明书并构成该说明书的一部分。附图也阐明了所公开主题的实现，以及连同详细描述一起用于解释所公开主题的实现原则。没有尝试对所公开主题的基本理解及其多种实践方式展示超过需要的结构细节。
14.图1为本发明的架构示意图；图2为本发明的超声探头结构示意图。
具体实施方式
15.本发明的优点、特征以及达成所述目的的方法通过附图及后续的详细说明将会明确。
16.实施例1：结合图1-2，一种乳腺癌超声检测系统，包括检测主机、超声探头、显示屏幕和图像处理模块，还包括提醒屏幕、位置计算模块和光学传感器；检测主机连接超声探头、显示屏幕图像处理模块、提醒屏幕和位置计算模块；超声探头发射和接收超声波信号，并将收集的超声回波信号发送给检测主机，检测主机将超声回波信号发送给图像处理模块进行图像处理，将超声回波信号计算成二维图像，并显示在显示屏幕上；超声探头上安装有光学传感器，光学传感器用于实时记录超声探头相对皮肤的移动数据，并将移动数据发送给检测主机，检测主机将收到的移动数据发送给位置计算模块，位置计算模块根据移动数据进行位置计算，并将计算的位置坐标和超声探头检测的图像进行关联；检测主机实时获取图像处理模块的二维图像数据，并将二维图像数据输入神经网络判别模型，得到每一帧图像的风险值，并将风险值实时显示在提醒屏幕上；提醒屏幕连接检测主机，检测主机根据执行一次检测流程中风险值最高的图像帧对应的位置坐标，在提醒屏幕上显示控制超声探头移动方向的指令。
17.光学传感器设置在超声探头的顶端，使用时与皮肤接触，包括发光器、棱镜、光检测器和分析芯片；发光器发射光经过棱镜的引导照射到皮肤上，皮肤反射的光被棱镜接收并引导至光检测器，光检测器将接收到的反射光的信号发送给分析芯片，分析芯片由此计算出光学传感器相对于皮肤移动的方向和速度；光学传感器将实时记录的方向和速度数据
发送给检测主机。
18.检测主机将二维图像数据输入神经网络判别模型包括：降低像素：首先将图像进行分块，将图像分成均匀的128
×
128个区域，每个区域内的像素的灰度值进行平均，从而得到一个128
×
128像素的图像；图像编码：将降低像素后的图像进行编码，按照灰度值从低到高分成8个区间，每个区间用一个数值代替，从而可以实现利用从0至7的8个数字将图像灰度值替代，进而得到一个128
×
128的矩阵，矩阵内每一个元素的值为0至7之间；特征提取：将进行特征提取图像编码后的矩阵进行特征提取，得到每一个矩阵的特征向量，即得到了每一帧图像对应的特征向量；将特征向量输入神经网络模型得到对应的风险值。
19.神经网络模型建立方法如下：将已知患有乳腺癌的患者的多张超声检测图像作为训练样本，并进行标记，其中无法推断出具有乳腺癌的图像的风险值标记为0，乳腺癌区域明显的图像风险值标记为100，介于两者之间的图像的风险值根据乳腺癌区域的明显程度标记；然后执行降低像素：首先将图像进行分块，将图像分成均匀的128
×
128个区域，每个区域内的像素的灰度值进行平均，从而得到一个128
×
128像素的图像；然后执行图像编码：将降低像素后的图像进行编码，按照灰度值从低到高分成8个区间，每个区间用一个数值代替，从而可以实现利用从0至7的8个数字将图像灰度值替代，进而得到一个128
×
128的矩阵，矩阵内每一个元素的值为0至7之间；然后执行特征提取：将进行特征提取图像编码后的矩阵进行特征提取，得到每一个矩阵的特征向量，即得到了每一帧图像对应的特征向量；将特征向量作为神经网络模型的输入，将风险值作为神经网络模型的输出构建神经网络模型。
20.神经网络判别模型为卷积神经网络判别模型。
21.光学传感器的结构与光电鼠标的光学传感器的结构相同。
22.实施例2：检测的过程如下：步骤1：开启主机，并在超声探头上涂抹耦合剂，并检查光学传感器是否正常工作；步骤2：提醒屏幕上显示：请将超声探头放置于左乳房的左下角，启动超声探头开始检测；步骤3：超声探头收集的超声回波信号发送给检测主机，检测主机将超声回波信号发送给图像处理模块进行图像处理，将超声回波信号计算成二维图像，并显示在显示屏幕上；同时光学传感器实时记录超声探头相对皮肤的移动数据，并将移动数据发送给检测主机，检测主机将收到的移动数据发送给位置计算模块，位置计算模块根据移动数据进行位置计算，并将计算的位置坐标和超声探头检测的图像进行关联；步骤4：检测主机实时获取图像处理模块的二维图像数据:将二维图像数据输入神经网络判别模型，得到每一帧图像的风险值，并将风险值实时显示在提醒屏幕上；当任意一帧图像的风险值超过阈值时，提醒屏幕上显示该一帧图像的风险值和坐标，同时提醒屏幕上显示导航指示，引导超声探头朝着该一帧图像的坐标移动，以进行进一步详细检查。
23.以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。