超声图像检测方法、装置、电子设备及可读存储介质制造方法及图纸

本申请实施例提供的一种超声图像检测方法、装置、电子设备及可读存储介质，通过对获得的多组超声图像预处理，各组所述超声图像包括多张超声图像，同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到，对预处理后的数据按预设比例划分后，分别训练和测试提前构建的深度神经网络模型，直至超声图像检测模型的测试效果达到预期效果。本方案融合同一病患同一次检查的多张超声图像数据，有效减少中间信息丢失，使检测结果更加准确。

Ultrasound image detection methods, devices, electronic devices and readable storage media

An ultrasonic image detection method, device, electronic equipment and readable storage medium provided by the embodiment of this application are presented. By preprocessing the acquired ultrasound images, each group of the ultrasound images includes multiple ultrasound images. The multiple ultrasound images in the same group of the ultrasound images are obtained by the same examination of the same patient. The pre-processed data are divided into preset proportions. The depth neural network model constructed in advance is trained and tested separately until the testing effect of the ultrasonic image detection model achieves the expected effect. This scheme combines multiple ultrasound image data of the same patient for the same examination, effectively reduces the loss of intermediate information, and makes the test results more accurate.

【技术实现步骤摘要】
超声图像检测方法、装置、电子设备及可读存储介质
本专利技术涉及应用图像检测领域，具体而言，涉及一种超声图像检测方法、装置、电子设备及可读存储介质。
技术介绍
彩超是甲状腺结节样病变检查中首选的影像学方法之一，目前高分辨率甲状腺彩超检查是评价甲状腺结节最敏感的方法。现在通过彩超图像自动识别甲状腺癌的方法已有很多研究，其方法主要有两种，一种是对每张甲状腺彩超图像，先分割出其中的甲状腺结节，再判断结节的良恶性，从而判断检查者是否患有甲状腺癌，另一种是直接基于单张甲状腺彩超图像，通过提取图像特征，直接判断其中是否存在甲状腺癌。现有的甲状腺癌的检测方式大多都是基于单张彩超图像的，而在实际临床检查中，医生判断甲状腺结节的良恶性时，往往需要从多个角度观察结节，必要时需要结合结节周围的血流信号等信息判断结节的良恶性。因此，单张的彩超图像往往无法包含一个甲状腺结节的全部特征，信息的缺失会在一定程度上造成结节良恶性的误诊。此外，另一种通过先分割出结节再判断良恶性的智能诊断方法，依赖于结节分割和结节分类两个模块，若分割算法遗漏结节，直接会影响结节良恶性分类的准确性。
技术实现思路
有鉴于此，本申请的目的在于，提供一种超声图像检测方法、装置、电子设备及可读存储介质以改善上述问题。本申请实施例提供一种超声图像检测方法，包括：选取多组超声图像，对各组所述超声图像进行预处理以获得数据集，其中，各组所述超声图像包括多张超声图像，同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到；将所述数据集按预设比例划分为训练集和测试集，用所述训练集训练预先构建的深度神经网络模型，获得超声图像检测训练模型；将所述测试集输入所述超声图像检测训练模型，测试所述超声图像检测训练模型，获得超声图像检测模型。进一步地，所述选取多组超声图像，对各组所述超声图像进行预处理以获得数据集的步骤包括：选取多组超声图像，根据获得的病理检测报告和诊断结果对各组超声图像进行病变标注，并获得病变标注结果；框选并裁取进行病变标注后各组所述超声图像中的彩超检测部分以构成数据集。进一步地，预先构建的深度神经网络模型包括输入层、隐藏层和输出层，所述隐藏层包含多个网络层，各所述输入层、隐藏层和输出层均包括多个神经元。进一步地，所述将所述数据集按预设比例划分为训练集和测试集，用所述训练集训练预先构建的深度神经网络模型，获得超声图像检测训练模型的步骤包括：将所述数据集按预设比例划分为训练集和测试集，所述训练集包括X＝{(X1,d1)，(X2，d2),…,(Xi,di),…，(Xm,dm)}，其中，Xi＝{xi1,xi2，…,xij,…,xiN}，N表示一组超声图像中包含的超声图像个数，xij表示第i组超声图像中的第j张超声图像，m表示训练集中超声图像的组数，di表示第i组超声图像对应的所述病变标注结果；对所述训练集中的各组超声图像进行增广操作和归一化操作，所述增广操作包括旋转和翻转；将所述超声图像输入预先构建的深度神经网络模型，使用前向计算和反向传播算法对所述神经元之间的连接权值进行优化，获得超声图像检测训练模型。进一步地，所述将所述超声图像输入预先构建的深度神经网络模型，使用前向计算和反向传播算法对所述神经元之间的连接权值进行优化，获得超声图像检测训练模型的步骤包括：将所述超声图像输入预先构建的深度神经网络模型；所述深度神经网络模型分别提取各所述超声图像的特征集合表示第i组超声图像的第j张图像在第L层网络层所提取到的特征；融合各所述超声图像的特征集合得到所述超声图像中的融合特征其中，αj为注意力权重；将所述融合特征输入至所述输出层以进行分类处理，得到网络输出，；使用反向传播算法更新所述连接权值获得超声图像检测训练模型。进一步地，所述预处理包括对多组超声图像进行病变标注，所述将所述测试集输入所述超声图像检测训练模型，测试所述超声图像检测训练模型，获得超声图像检测模型的步骤包括；将所述测试集输入所述超声图像检测训练模型获得测试结果；将所述测试结果与所述病变标注结果进行对比，统计测试结果与所述病变标注结果一致的所述超声图像组数，求得测试结果的准确率；比较所述准确率与预设值，若所述准确率小于所述预设值，则使用所述训练集训练所述超声图像检测训练模型，直至所述准确率大于或等于所述预设值时将所述超声图像检测训练模型作为超声图像检测模型。进一步地，所述获得所述超声图像检测模型的步骤之后，所述方法还包括：获得原始超声图像；裁取所述原始超声图像中的彩超检测部分构成待测图像，所述原始超声图像为同一病患的同一次检查所获得的多张超声图像；利用所述超声图像检测模型对所述待测图像进行病变检测，以获得检测结果。本申请实施例还提供一种超声图像检测装置，包括：预处理模块，用于选取多组超声图像，对各组所述超声图像进行预处理以获得数据集，其中，各组所述超声图像包括多张超声图像，同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到；训练模块，用于将所述数据集按预设比例划分为训练集和测试集，用所述训练集训练预先构建的深度神经网络模型，获得超声图像检测训练模型；测试模块，用于将所述测试集输入所述超声图像检测训练模型，测试所述超声图像检测训练模型，获得超声图像检测模型。本申请实施例还提供一种电子设备，所述电子设备包括：存储介质；处理器；超声图像检测装置，所述超声图像检测装置存储于所述存储介质中并包括有所述处理器执行的软件功能模块，所述装置包括：预处理模块，用于选取多组超声图像，对各组所述超声图像进行预处理以获得数据集，其中，各组所述超声图像包括多张超声图像，同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到；训练模块，用于将所述数据集按比例划分为训练集和测试集，用所述训练集训练提前构建的深度神经网络模型，获得超声图像检测训练模型；测试模块，用于将所述测试集输入所述超声图像检测训练模型，测试所述超声图像检测训练模型，获得超声图像检测模型。本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述的超声图像检测方法。本申请实施例提供的一种超声图像检测方法、装置、电子设备及可读存储介质，通过对获得的多组超声图像预处理，各组所述超声图像包括多张超声图像，同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到，对预处理后的数据按预设比例划分后，分别训练和测试提前构建的深度神经网络模型，直至超声图像检测模型的测试效果达到预期效果。本方案融合同一病患同一次检查的多张超声图像数据，有效减少中间信息丢失，使检测结果更加准确。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本申请实施例提供的电子设备的结构框图。图2为本申请实施例提供的超声图像检测方法的流程图。图3为图2中步骤S1的子步骤的流程图。图4为本申请实施例提供的超声图像检测方法中框选彩超有效本文档来自技高网...

【技术保护点】
1.一种超声图像检测方法，其特征在于，包括：选取多组超声图像，对各组所述超声图像进行预处理以获得数据集，其中，各组所述超声图像包括多张超声图像，同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到；将所述数据集按预设比例划分为训练集和测试集，用所述训练集训练预先构建的深度神经网络模型，获得超声图像检测训练模型；将所述测试集输入所述超声图像检测训练模型，测试所述超声图像检测训练模型，获得超声图像检测模型。

【技术特征摘要】
1.一种超声图像检测方法，其特征在于，包括：选取多组超声图像，对各组所述超声图像进行预处理以获得数据集，其中，各组所述超声图像包括多张超声图像，同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到；将所述数据集按预设比例划分为训练集和测试集，用所述训练集训练预先构建的深度神经网络模型，获得超声图像检测训练模型；将所述测试集输入所述超声图像检测训练模型，测试所述超声图像检测训练模型，获得超声图像检测模型。2.根据权利要求1所述的超声图像检测方法，其特征在于，所述选取多组超声图像，对各组所述超声图像进行预处理以获得数据集的步骤包括：选取多组超声图像，根据获得的病理检测报告和诊断结果对各组超声图像进行病变标注，并获得病变标注结果；框选并裁取进行病变标注后各组所述超声图像中的彩超检测部分以构成数据集。3.根据权利要求2所述的超声图像检测方法，其特征在于，预先构建的深度神经网络模型包括输入层、隐藏层和输出层，所述隐藏层包含多个网络层，各所述输入层、隐藏层和输出层均包括多个神经元。4.根据权利要求3所述的超声图像检测方法，其特征在于，所述将所述数据集按预设比例划分为训练集和测试集，用所述训练集训练预先构建的深度神经网络模型，获得超声图像检测训练模型的步骤包括：将所述数据集按预设比例划分为训练集和测试集，所述训练集包括X＝{(X1，d1)，(X2，d2)，…，(Xi，di)，…，(Xm，dm)}，其中，Xi＝{xi1，xi2，…xij，…，xiN}，N表示一组超声图像中包含的超声图像个数，xij表示第i组超声图像中的第j张超声图像，m表示训练集中超声图像的组数，di表示第i组超声图像对应的所述病变标注结果；对所述训练集中的各组超声图像进行增广操作和归一化操作，所述增广操作包括旋转和翻转；将所述超声图像输入预先构建的深度神经网络模型，使用前向计算和反向传播算法对所述神经元之间的连接权值进行优化，获得超声图像检测训练模型。5.根据权利要求4所述的超声图像检测方法，其特征在于，所述将所述超声图像输入预先构建的深度神经网络模型，使用前向计算和反向传播算法对所述神经元之间的连接权值进行优化，获得超声图像检测训练模型的步骤包括：将所述超声图像输入预先构建的深度神经网络模型；所述深度神经网络模型分别提取各所述超声图像的特征集合表示第i组超声图像的第j张图像在第L层网络层所提取到的特征；融合各所述超声图像的特征得到所述超声图像中的融合特征其中，αj为注意力权重；将所述融合特征输入至所述输出层以进行分类处理，得...

【专利技术属性】
技术研发人员：王利团，朱敏娟，曹晏阁，黄伟，
申请(专利权)人：成都智能迭迦科技合伙企业有限合伙，
类型：发明
国别省市：四川,51