用于超声位移估计的神经网络模型训练方法及系统技术方案

本发明专利技术适用于图像识别领域，提供了用于超声位移估计的神经网络模型训练方法，包括：将目标块和搜索块输入孪生神经网络，该孪生神经网络的两条支路利用权重共享的DenseNet执行特征提取，得到特征图，对该孪生神经网络的两路支路计算得到的特征图进行卷积计算，将得到的互相关系数得分图与真实值作对比，将得到的差异结果进行反向传播，实现对该孪生神经网络各层的权重的调整和网络的优化。本发明专利技术实施例利用深度神经网络提取超声射频数据的深层语义特征，增强位移估计的准确性和鲁棒性，将当前处理的数据与现有的其他数据建立联系，充分地利用和挖掘现有数据的特征，提高数据的利用率。

【技术实现步骤摘要】
用于超声位移估计的神经网络模型训练方法及系统
本专利技术属于图像识别
，尤其涉及一种用于超声位移估计的神经网络模型训练方法及系统。
技术介绍
软组织的病变常常伴随着组织硬度的改变。例如，乳腺或者前列腺实质性肿瘤的硬度要大于正常组织，而液性囊肿的硬度小于正常组织。超声弹性成像技术可以对组织力学属性(如组织弹性、组织硬度)进行成像，为临床疾病诊断提供更加丰富的功能信息。传统的用于超声弹性成像的位移估计算法都是基于射频数据矩阵的时域和频域的块匹配算法。块匹配算法基于平移运动进行运动估计，首先在超声图像序列的当前帧中设定一个矩形区域块，在后一帧中设定一个搜索区域，然后根据一定的匹配准则来确定当前帧中矩形区域块与后一帧的相对位移。按照不同的搜索策略，可以将块匹配算法分为全搜索块匹配法和快速块匹配法(如菱形搜索法、预测互相关算法等)。射频矩阵包含了超声信号的幅度和相位信息，但是目标区域与其邻近区域之间的信号特征不明显、区分度不高，特别是在噪声和组织分层等不连续区域处容易出现估计误差。而且，传统的位移估计算法鲁棒性和准确性不够好，其只针对当前一组数据独立地进行处理和分析，没能将当前处理的数据与现有的其他数据建立联系，未能充分地挖掘和利用数据。
技术实现思路
本专利技术所要解决的技术问题在于提供一种用于超声位移估计的神经网络模型训练方法及系统，旨在解决现有技术在进行位移估计时，鲁棒性和准确性不够好，且无法将当前处理的数据与现有的其他数据建立联系，不能充分地挖掘和利用数据的问题。本专利技术是这样实现的，一种用于超声位移估计的神经网络模型训练方法，包括：将已标注的数据的目标块和搜索区域块输入待训练的孪生神经网络中，其中，所述孪生神经网络包括第一支路和第二支路，所述目标块输入所述第一支路，所述搜索区域块输入所述第二支路；所述孪生神经网络利用权重共享的DenseNet提取所述目标块和所述搜索区域块的深层语义特征，得到所述目标块的特征图和所述搜索区域块的特征图；以所述目标块的特征图作为卷积核，与所述搜索区域块的特征图执行深度可分卷积计算，得到互相关系数得分图；根据自定义损失函数计算所述互相关系数得分图与真实值的差异，得到差异结果；对所述差异结果进行反向传播，以调整所述孪生神经网络中各层的权重，完成所述孪生神经网络的训练。进一步地，通过以下二维卷积公式执行深度可分卷积计算：其中，矩阵A、矩阵B分别表示卷积核、被卷积矩阵，C(s,t)表示矩阵B中坐标(s,t)处的卷积结果，矩阵A的行数和列数分别为Mr、Mc，矩阵B的行数和列数分别为Nr、Nc，s、t满足条件：0≤s≤Mr+Nr-1，0≤t≤Mc+Nc-1。进一步地，所述计算所述互相关系数得分图与真实值的差异，得到差异结果包括：以均方差作为所述孪生神经网络的损失函数，所述损失函数表示为：其中，y_表示所述孪生神经网络的预测值，y表示所述真实值，D表示矩形ROI区域；根据所述损失函数，计算所述互相关系数得分图与所述真实值的差异，得到差异结果；所述真实值表示为：c表示标注的正确位置。进一步地，所述对所述差异结果进行反向传播包括：根据所述差异结果，利用随机梯度下降法进行反向传播。进一步地，所述对所述差异结果进行反向传播包括：根据所述差异结果，利用优化器进行反向传播，所述优化器包括AdagradOptimizer、MomentumOptimizer或AdamOptimizer中的一种。进一步地，所述神经网络利用权重共享的DenseNet提取所述目标块和所述搜索区域块的深层语义特征的过程中，通过调整DenseNet的结构和参数来优化深层语义特征提取。本专利技术实施例还提供了一种用于超声位移估计的神经网络模型训练系统，包括：输入单元，用于将已标注的数据的目标块和搜索区域块输入待训练的孪生神经网络中，其中，所述孪生神经网络包括第一支路和第二支路，所述目标块输入所述第一支路，所述搜索区域块输入所述第二支路；提取单元，用于控制所述孪生神经网络利用权重共享的DenseNet提取所述目标块和所述搜索区域块的深层语义特征，得到所述目标块的特征图和所述搜索区域块的特征图；计算单元，用于以所述目标块的特征图作为卷积核，与所述搜索区域块的特征图执行深度可分卷积计算，得到互相关系数得分图；根据自定义损失函数计算所述互相关系数得分图与真实值的差异，得到差异结果；获取单元，用于对所述差异结果进行反向传播，以调整所述孪生神经网络中各层的权重，完成所述孪生神经网络的训练。进一步地，所述计算单元通过以下二维卷积公式执行深度可分卷积计算：其中，矩阵A、矩阵B分别表示卷积核、被卷积矩阵，C(s,t)表示矩阵B中坐标(s,t)处的卷积结果，矩阵A的行数和列数分别为Mr、Mc，矩阵B的行数和列数分别为Nr、Nc，s、t满足条件：0≤s≤Mr+Nr-1，0≤t≤Mc+Nc-1；并以均方差作为所述孪生神经网络的损失函数，所述损失函数表示为：其中，y_表示所述孪生神经网络的预测值，y表示所述真实值，D表示矩形ROI区域；根据所述损失函数，计算所述互相关系数得分图与所述真实值的差异，得到差异结果；所述真实值表示为：c表示标注的正确位置。本专利技术实施例还提供了一种终端，包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述所述的用于超声位移估计的神经网络模型训练方法中的各个步骤。本专利技术实施例还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述所述的用于超声位移估计的神经网络模型训练方法中的各个步骤。本专利技术与现有技术相比，有益效果在于：本专利技术实施例将目标块和搜索块输入孪生神经网络，该孪生神经网络的两条支路利用权重共享的DenseNet执行特征提取，得到特征图，对该孪生神经网络的两路支路计算得到的特征图进行卷积计算，将得到的互相关系数得分图与真实值作对比，将得到的差异结果进行反向传播，实现对该孪生神经网络各层的权重的调整和网络的优化。本专利技术实施例利用深度神经网络提取超声射频数据的深层语义特征，增强位移估计的准确性和鲁棒性，将当前处理的数据与现有的其他数据建立联系，充分地利用和挖掘现有数据的特征，提高数据的利用率。附图说明图1是本专利技术实施例提供的用于超声位移估计的神经网络模型训练方法的流程图；图2是本专利技术实施例提供的孪生神经网络的结构示意图；图3是本专利技术实施例提供的用于超声位移估计的神经网络模型训练系统的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。图1示出了本专利技术实施例提供的一种用于超声位移估计的神经网络模型训练方法，包括：S101，将已标注的数据的目标块和搜索区域块输入待训练的孪生神经网络中，其中，所述孪生神经网络包络第一支路和第二支路，所述目标块输入所述第一支路，所述搜索区域块输入所述第二支路；S102，所述孪生神经网络利用权重共享的DenseNet提取所述目标块和所述搜索区域块的深层语义特征，得到所述目标块的特征图和所述搜索区域块的特征图；S103，以所述目标块的特征图作为卷积核，与所述搜索区域块的特本文档来自技高网...

【技术保护点】
1.一种用于超声位移估计的神经网络模型训练方法，其特征在于，包括：将已标注的数据的目标块和搜索区域块输入待训练的孪生神经网络中，其中，所述孪生神经网络包括第一支路和第二支路，所述目标块输入所述第一支路，所述搜索区域块输入所述第二支路；所述孪生神经网络利用权重共享的DenseNet提取所述目标块和所述搜索区域块的深层语义特征，得到所述目标块的特征图和所述搜索区域块的特征图；以所述目标块的特征图作为卷积核，与所述搜索区域块的特征图执行深度可分卷积计算，得到互相关系数得分图；根据自定义损失函数计算所述互相关系数得分图与真实值的差异，得到差异结果；对所述差异结果进行反向传播，以调整所述孪生神经网络中各层的权重，完成所述孪生神经网络的训练。

【技术特征摘要】
1.一种用于超声位移估计的神经网络模型训练方法，其特征在于，包括：将已标注的数据的目标块和搜索区域块输入待训练的孪生神经网络中，其中，所述孪生神经网络包括第一支路和第二支路，所述目标块输入所述第一支路，所述搜索区域块输入所述第二支路；所述孪生神经网络利用权重共享的DenseNet提取所述目标块和所述搜索区域块的深层语义特征，得到所述目标块的特征图和所述搜索区域块的特征图；以所述目标块的特征图作为卷积核，与所述搜索区域块的特征图执行深度可分卷积计算，得到互相关系数得分图；根据自定义损失函数计算所述互相关系数得分图与真实值的差异，得到差异结果；对所述差异结果进行反向传播，以调整所述孪生神经网络中各层的权重，完成所述孪生神经网络的训练。2.如权利要求1所述的神经网络模型训练方法，其特征在于，通过以下二维卷积公式执行深度可分卷积计算：其中，矩阵A、矩阵B分别表示卷积核、被卷积矩阵，C(s,t)表示矩阵B中坐标(s,t)处的卷积结果，矩阵A的行数和列数分别为Mr、Mc，矩阵B的行数和列数分别为Nr、Nc，s、t满足条件：0≤s≤Mr+Nr-1，0≤t≤Mc+Nc-1。3.如权利要求1所述的神经网络模型训练方法，其特征在于，所述计算所述互相关系数得分图与真实值的差异，得到差异结果包括：以均方差作为所述孪生神经网络的损失函数，所述损失函数表示为：其中，y_表示所述孪生神经网络的预测值，y表示所述真实值，D表示矩形ROI区域；根据所述损失函数，计算所述互相关系数得分图与所述真实值的差异，得到差异结果；所述真实值表示为：c表示标注的正确位置。4.如权利要求6所述的神经网络模型训练方法，其特征在于，所述对所述差异结果进行反向传播包括：根据所述差异结果，利用随机梯度下降法进行反向传播。5.如权利要求6所述的神经网络模型训练方法，其特征在于，所述对所述差异结果进行反向传播包括：根据所述差异结果，利用优化器进行反向传播，所述优化器包括AdagradOptimizer、MomentumOptimizer或AdamOptimizer中的一种。6.如权利要求1所述的神经网络模型训练方法，其特征在于，所述神经网络利用权重共享...

【专利技术属性】
技术研发人员：陆敏华，闭祖悦，毛睿，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44