一种B超图像处理方法及装置制造方法及图纸

本发明专利技术公开了一种B超图像处理方法及装置，涉及图像处理技术领域。用以解决B超处理容易导致区域分割模糊的问题。该方法包括：将获取到的B超图像按照设定比例分为训练集和验证集，将训练集和验证集分别按照图像规格进行缩放，得到多个第一训练缩放图像和多个第一验证缩放图像；根据深度卷积分别对第一训练缩放图像和第一验证缩放图像进行语义分割，分别得到训练预测概率和验证预测概率；根据多个训练预测概率，多个验证预测概率与真实标签值的关系，确定训练损失值和验证损失值；通过调整模型超参数对设定模型进行调整，当确定训练损失值和验证损失值均收敛于设置值时，将调整后的设定模型确定为B超图像识别模型。

【技术实现步骤摘要】
一种B超图像处理方法及装置
本专利技术涉及图像处理
，更具体的涉及一种B超图像处理方法及装置。
技术介绍
B超(英文为：B-scanultrasonography)是一种医学超声诊断技术，不同理化特性的组织器官对超声波的反射能力强弱不同，B超利用脉冲回波方法提取、分析这些强弱信息，进而转换成生物组织的内在特性。由于B超具备无损伤、非入侵和重复性好等特点，得到了广泛应用，但B超本身的成像原理与成像设备决定了其所成图像具有大量噪声，这些噪声掩盖了图像的细节，影响了医生对图像的观察和分析。对医学图像的处理，主要目的是提取图像中的生物组织，举例来说，要判断胎儿的生长情况就要对胎儿的头部、腹部及大腿骨进行测量，因此，分析胎儿的B超图像，最终就是要提取出这些感兴趣的部位，而这一工作主要是由图像分割技术来完成。比如，边缘检测方法、阈值分割方法、分水岭算法，和K均值算法等。由于医学图像不同于普通图像，是反映人体生物组织的复杂图像，信息量大但细节不清晰，此外还缺少用于刻画生物组织的数学模型，对这种图像进行分割处理，仅依靠常规方法难以得到满意的结果。比如，边缘检测是通过计算各种微分算子与图像的卷积来实现的，对噪声表现十分敏感，当图像的噪声较少时才能取得较好的效果；阈值分割要求图像的灰度级拥有较高的对比度，对于胎儿的B超图像来说，由于图像中胎儿各个生长部位与背景的灰度对比度很小，其分割效果不稳定，容易出现欠分割或过分割的情况；分水岭算法对化弱边缘有着较好的效果，但图像中的噪声会使分水岭产生过分割的现象；K均值算法对初始位置敏感，严格地将待分辨的像素点硬性地划分到某一类中，从而不可避免地造成误差，影响图像分割结果的精确度。
技术实现思路
本专利技术实施例提供一种B超图像处理方法及装置，用以解决现有技术中B超图像处理存在感应噪声敏感度低，容易陷入局部极值点，导致区域分割模糊的问题。本专利技术实施例提供了一种B超图像处理方法，包括：将获取到的B超图像按照设定比例分为训练集和验证集，将所述训练集和所述验证集分别按照图像规格进行缩放，得到多个第一训练缩放图像和多个第一验证缩放图像；根据深度卷积分别对所述第一训练缩放图像和所述第一验证缩放图像进行语义分割，分别得到所述第一训练缩放图像内每个像素属于各组织部位的训练预测概率和所述第一验证缩放图像内每个像素属于各组织部位的验证预测概率；根据多个所述训练预测概率，多个验证预测概率与真实标签值的关系，确定训练损失值和验证损失值；根据所述训练损失值和所述验证损失值，通过调整模型超参数对设定模型进行调整，当确定所述训练损失值和所述验证损失值均收敛于设置值时，将调整后的所述设定模型确定为B超图像识别模型。优选地，根据深度卷积对所述第一训练缩放图像进行语义分割，具体包括：对所述第一训练缩放图像依此进行第一次卷积，第一次池化，第二次卷积，第二次池化，第三次卷积，第三次池化，第四次卷积，第四次池化，第五次卷积；所述第一次卷积的卷积核和滑动步长均为3，所述第二次卷积，所述第三次卷积和所述第四次卷积的卷积核和滑动步长均为2；对完成所述第五次卷积的图像进行上采样，将完成上采样的图像和完成所述第三次池化的图像进行融合，得到与所述第一训练缩放图像具有相同像素的待输出图像，所述待输出图像通过softmax分类层，得到所述训练预测概率。优选地，所述模型超参数包括：学习速率，动量，批处理大小，特征图通道数和采样比率。优选地，所述将获取到的B超图像按照设定比例还分为测试集；所述当确定所述训练损失值和所述验证损失值均收敛于设置值时之后，还包括：将调整后的所述设定模型在所述测试集上进行测试，测试调整后的所述设定模型的泛化性能。优选地，所述得到多个第一训练缩放图像和多个第一验证缩放图像之后，还包括：分别将所述第一训练缩放图像和所述第一验证缩放图像减去所述第一训练缩放图像的均值，其中，所述第一训练缩放图像的均值为所述训练集包括的多个训练图像的红绿黄三通道的像素均值。优选地，所述将所述训练集按照图像规格进行缩放，具体包括：将所述训练集包括的多个训练图像缩放为具有900*600像素的图像，再从所述900*600像素的图像内获取像素为600*600的中央区域。本专利技术实施例还提供了一种B超图像处理装置，包括：缩放单元，用于将获取到的B超图像按照设定比例分为训练集和验证集，将所述训练集和所述验证集分别按照图像规格进行缩放，得到多个第一训练缩放图像和多个第一验证缩放图像；分割单元，用于根据深度卷积分别对所述第一训练缩放图像和所述第一验证缩放图像进行语义分割，分别得到所述第一训练缩放图像内每个像素属于各组织部位的训练预测概率和所述第一验证缩放图像内每个像素属于各组织部位的验证预测概率；确定单元，用于根据多个所述训练预测概率，多个验证预测概率与真实标签值的关系，确定训练损失值和验证损失值；根据所述训练损失值和所述验证损失值，通过调整模型超参数对设定模型进行调整，当确定所述训练损失值和所述验证损失值均收敛于设置值时，将调整后的所述设定模型确定为B超图像识别模型。优选地，所述分割单元具体用于：对所述第一训练缩放图像依此进行第一次卷积，第一次池化，第二次卷积，第二次池化，第三次卷积，第三次池化，第四次卷积，第四次池化，第五次卷积；所述第一次卷积的卷积核和滑动步长均为3，所述第二次卷积，所述第三次卷积和所述第四次卷积的卷积核和滑动步长均为2；对完成所述第五次卷积的图像进行上采样，将完成上采样的图像和完成所述第三次池化的图像进行融合，得到与所述第一训练缩放图像具有相同像素的待输出图像，所述待输出图像通过softmax分类层，得到所述训练预测概率。优选地，所述将获取到的B超图像按照设定比例还分为测试集；所述确定单元还用于：将调整后的所述设定模型在所述测试集上进行测试，测试调整后的所述设定模型的泛化性能。优选地，所述缩放单元还用于：分别将所述第一训练缩放图像和所述第一验证缩放图像减去所述第一训练缩放图像的均值，其中，所述第一训练缩放图像的均值为所述训练集包括的多个训练图像的红绿黄三通道的像素均值。本专利技术实施例提供了一种B超图像处理方法，包括：将获取到的B超图像按照设定比例分为训练集和验证集，将所述训练集和所述验证集分别按照图像规格进行缩放，得到多个第一训练缩放图像和多个第一验证缩放图像；根据深度卷积分别对所述第一训练缩放图像和所述第一验证缩放图像进行语义分割，分别得到所述第一训练缩放图像内每个像素属于各组织部位的训练预测概率和所述第一验证缩放图像内每个像素属于各组织部位的验证预测概率；根据多个所述训练预测概率，多个验证预测概率与真实标签值的关系，确定训练损失值和验证损失值；根据所述训练损失值和所述验证损失值，通过调整模型超参数对设定模型进行调整，当确定所述训练损失值和所述验证损失值均收敛于设置值时，将调整后的所述设定模型确定为B超图像识别模型。该方法将B超图像分为训练集合验证集，采用深度卷积方法分别对训练集和验证集进行语义分割；由于深度卷积神经网络，对于输入源的B超图像的普适性更高，鲁棒性更强，从而可以确定该方法不要求B超图像某些特定姿势，可以容忍B超图像带有适度的噪音；从而解决现有技术中B超图像处理存在感应噪声敏感度低，容易陷入局部极值点，导致区域分割模本文档来自技高网...

【技术保护点】
一种B超图像处理方法，其特征在于，包括：将获取到的B超图像按照设定比例分为训练集和验证集，将所述训练集和所述验证集分别按照图像规格进行缩放，得到多个第一训练缩放图像和多个第一验证缩放图像；根据深度卷积分别对所述第一训练缩放图像和所述第一验证缩放图像进行语义分割，分别得到所述第一训练缩放图像内每个像素属于各组织部位的训练预测概率和所述第一验证缩放图像内每个像素属于各组织部位的验证预测概率；根据多个所述训练预测概率，多个验证预测概率与真实标签值的关系，确定训练损失值和验证损失值；根据所述训练损失值和所述验证损失值，通过调整模型超参数对设定模型进行调整，当确定所述训练损失值和所述验证损失值均收敛于设置值时，将调整后的所述设定模型确定为B超图像识别模型。

【技术特征摘要】
1.一种B超图像处理方法，其特征在于，包括：将获取到的B超图像按照设定比例分为训练集和验证集，将所述训练集和所述验证集分别按照图像规格进行缩放，得到多个第一训练缩放图像和多个第一验证缩放图像；根据深度卷积分别对所述第一训练缩放图像和所述第一验证缩放图像进行语义分割，分别得到所述第一训练缩放图像内每个像素属于各组织部位的训练预测概率和所述第一验证缩放图像内每个像素属于各组织部位的验证预测概率；根据多个所述训练预测概率，多个验证预测概率与真实标签值的关系，确定训练损失值和验证损失值；根据所述训练损失值和所述验证损失值，通过调整模型超参数对设定模型进行调整，当确定所述训练损失值和所述验证损失值均收敛于设置值时，将调整后的所述设定模型确定为B超图像识别模型。2.如权利要求1所述的方法，其特征在于，根据深度卷积对所述第一训练缩放图像进行语义分割，具体包括：对所述第一训练缩放图像依此进行第一次卷积，第一次池化，第二次卷积，第二次池化，第三次卷积，第三次池化，第四次卷积，第四次池化，第五次卷积；所述第一次卷积的卷积核和滑动步长均为3，所述第二次卷积，所述第三次卷积和所述第四次卷积的卷积核和滑动步长均为2；对完成所述第五次卷积的图像进行上采样，将完成上采样的图像和完成所述第三次池化的图像进行融合，得到与所述第一训练缩放图像具有相同像素的待输出图像，所述待输出图像通过softmax分类层，得到所述训练预测概率。3.如权利要求1所述的方法，其特征在于，所述模型超参数包括：学习速率，动量，批处理大小，特征图通道数和采样比率。4.如权利要求1所述的方法，其特征在于，所述将获取到的B超图像按照设定比例还分为测试集；所述当确定所述训练损失值和所述验证损失值均收敛于设置值时之后，还包括：将调整后的所述设定模型在所述测试集上进行测试，测试调整后的所述设定模型的泛化性能。5.如权利要求1所述的方法，其特征在于，所述得到多个第一训练缩放图像和多个第一验证缩放图像之后，还包括：分别将所述第一训练缩放图像和所述第一验证缩放图像减去所述第一训练缩放图像的均值，其中，所述第一训练缩放图像的均值为所述训练集包括的多个训练图像的红绿黄三通道的像素均值。6.如权利要...

【专利技术属性】
技术研发人员：李灿龙，朱汝维，
申请(专利权)人：广州市申迪计算机系统有限公司，
类型：发明
国别省市：广东,44