盆底状态的分类方法、系统、超声设备及计算机存储介质技术方案

本发明专利技术公开了一种盆底状态的分类方法，在获取到当前超声盆底图像后可自动识别当前超声盆底图像的盆底状态，并在当前超声盆底图像上自动标注出其盆底状态，供医生查看，相比于现有技术中医生手动输入盆底状态，简化了盆底超声检测过程，缩短了检测时间，从而提高了检测效率。本发明专利技术还公开了一种盆底状态的分类系统、超声设备及计算机存储介质，与上述分类方法具有相同的有益效果。

【技术实现步骤摘要】
盆底状态的分类方法、系统、超声设备及计算机存储介质
本专利技术涉及盆底超声检测领域，特别是涉及一种盆底状态的分类方法、系统、超声设备及计算机存储介质。
技术介绍
女性盆底功能障碍性疾病的主要特征包括盆腔脏器脱垂、压力性尿失禁等。目前，通常通过超声对盆底不同状态进行测量，以检测盆腔有无功能障碍。具体地，在临床上，医生通常需要在三种盆底状态(静息状态、Valsalva动作及缩肛动作)下对盆底进行超声检测，但是，现有技术中，医生每在一种盆底状态下对盆底进行超声检测，均需提前在超声设备上选择所要检测的盆底状态，并需要医生在每次检测后手动输入盆底状态，以便于后续基于盆底状态进行盆底测量分析，从而使得盆底超声检测过程繁琐，检测时间较长，检测效率较低。因此，如何提供一种解决上述技术问题的方案是本领域的技术人员目前需要解决的问题。
技术实现思路
本专利技术的目的是提供一种盆底状态的分类方法、系统、超声设备及计算机存储介质，在获取到当前超声盆底图像后可自动识别当前超声盆底图像的盆底状态，并在当前超声盆底图像上自动标注出其盆底状态，从而简化了盆底超声检测过程，缩短了检测时间，提高了检测效率。为解决上述技术问题，本专利技术提供了一种盆底状态的分类方法，包括：预先建立并训练好用于识别超声盆底图像的盆底状态的深度学习模型；在超声盆底检测中，获取当前超声盆底图像，并将所述当前超声盆底图像输入至所述深度学习模型，得到所述当前超声盆底图像的盆底状态；在所述当前超声盆底图像上自动标注出其盆底状态。优选地，所述预先建立并训练好用于识别超声盆底图像的盆底状态的深度学习模型的过程，包括：预先建立用于提取超声盆底图像上的盆底特征以识别其盆底状态的深度学习模型；获取超声盆底样本图像和所述超声盆底样本图像的标准盆底状态；将所述超声盆底样本图像输入至所述深度学习模型，以利用所述深度学习模型提取所述超声盆底样本图像上的实际盆底特征，并根据所述实际盆底特征确定所述超声盆底样本图像的实际盆底状态；求取所述实际盆底状态和所述标准盆底状态之间的误差，并在降低所述误差的目标条件下调整所述深度学习模型的节点权重，而后进行下一轮的样本训练，直至所述误差降低至预设误差范围内。优选地，所述利用所述深度学习模型提取所述超声盆底样本图像上的实际盆底特征，并根据所述实际盆底特征确定所述超声盆底样本图像的实际盆底状态的过程，包括：利用所述深度学习模型中的卷积层提取卷积核每次滚动对应的所述超声盆底样本图像上的盆底有效特征；利用所述深度学习模型中的池化层对卷积核每次滚动对应的盆底有效特征进行特征融合，得到所述超声盆底样本图像对应的多维融合特征；利用所述深度学习模型中的flatten层对所述多维融合特征进行一维化处理，得到一维融合特征；利用所述深度学习模型中的全连接层将所述一维融合特征分类得到所述超声盆底样本图像的实际盆底状态。优选地，在提取卷积核每次滚动对应的所述超声盆底样本图像上的盆底有效特征之后，在对卷积核每次滚动对应的盆底有效特征进行特征融合之前，所述分类方法还包括：利用在所述卷积层和所述池化层之间插入的规范化层对所述盆底有效特征进行规范化处理，得到盆底规范化特征；从所述盆底规范化特征中确定满足于预设非线性激活函数的盆底可用特征；则所述利用所述深度学习模型中的池化层对卷积核每次滚动对应的盆底有效特征进行特征融合的过程，包括：利用所述深度学习模型中的池化层对卷积核每次滚动对应的盆底可用特征进行特征融合。优选地，在将所述超声盆底样本图像输入至所述深度学习模型之前，所述分类方法还包括：对所述超声盆底样本图像进行规范化处理，得到规范化的超声盆底样本图像。优选地，在得到规范化的超声盆底样本图像之后，所述分类方法还包括：对所述规范化的超声盆底样本图像进行数据增强处理，得到数量扩充的超声盆底样本图像。优选地，所述分类方法还包括：获取一段超声影像，并将所述超声影像的每一帧盆底图像均作为当前盆底超声图像输入至所述深度学习模型中；基于所述深度学习模型自动挑选出目标盆底状态下的帧图像，并在所述帧图像上自动进行盆底状态标注。优选地，所述分类方法还包括：根据所述当前超声盆底图像的盆底状态，自动对所述当前超声盆底图像对应的盆底待测项进行测量，得到所述盆底待测项的测量值；在所述当前超声盆底图像上自动显示出所述盆底待测项的项目名称及其测量值。优选地，所述分类方法还包括：根据所述盆底待测项的测量值自动分析盆腔是否存在功能障碍；若是，则对盆腔进行监测。为解决上述技术问题，本专利技术还提供了一种盆底状态的分类系统，包括：建模模块，用于预先建立并训练好用于识别超声盆底图像的盆底状态的深度学习模型；状态识别模块，用于在超声盆底检测中，获取当前超声盆底图像，并将所述当前超声盆底图像输入至所述深度学习模型，得到所述当前超声盆底图像的盆底状态；状态标注模块，用于在所述当前超声盆底图像上自动标注出其盆底状态。优选地，所述建模模块包括：模型建立子模块，用于预先建立用于提取超声盆底图像上的盆底特征以识别其盆底状态的深度学习模型；样本获取子模块，用于获取超声盆底样本图像和所述超声盆底样本图像的标准盆底状态；样本训练子模块，用于将所述超声盆底样本图像输入至所述深度学习模型，以利用所述深度学习模型提取所述超声盆底样本图像上的实际盆底特征，并根据所述实际盆底特征确定所述超声盆底样本图像的实际盆底状态；求取所述实际盆底状态和所述标准盆底状态之间的误差，并在降低所述误差的目标条件下调整所述深度学习模型的节点权重，而后进行下一轮的样本训练，直至所述误差降低至预设误差范围内。优选地，所述分类系统还包括：影像输入模块，用于获取一段超声影像，并将所述超声影像的每一帧盆底图像均作为当前盆底超声图像输入至所述深度学习模型中；影像分类模块，用于基于所述深度学习模型自动挑选出目标盆底状态下的帧图像，并在所述帧图像上自动进行盆底状态标注。优选地，所述分类系统还包括：盆底测量模块，用于根据所述当前超声盆底图像的盆底状态，自动对所述当前超声盆底图像对应的盆底待测项进行测量，得到所述盆底待测项的测量值；测量显示模块，用于在所述当前超声盆底图像上自动显示出所述盆底待测项的项目名称及其测量值。优选地，所述分类系统还包括：功能分析模块，用于根据所述盆底待测项的测量值自动分析盆腔是否存在功能障碍；若是，则执行盆腔监测模块；盆腔监测模块，用于对盆腔进行监测。为解决上述技术问题，本专利技术还提供了一种超声设备，包括上位机以及与该上位机连接的超声探头；所述超声探头用于对盆底进行探测以得到超声盆底图像；所述上位机包括存储器，所述存储器用于存储计算机程序；所述上位机还包括处理器，所述处理器用于在执行所述存储器所本文档来自技高网...

【技术保护点】
1.一种盆底状态的分类方法，其特征在于，包括：/n预先建立并训练好用于识别超声盆底图像的盆底状态的深度学习模型；/n在超声盆底检测中，获取当前超声盆底图像，并将所述当前超声盆底图像输入至所述深度学习模型，得到所述当前超声盆底图像的盆底状态；/n在所述当前超声盆底图像上自动标注出其盆底状态。/n

【技术特征摘要】
1.一种盆底状态的分类方法，其特征在于，包括：
预先建立并训练好用于识别超声盆底图像的盆底状态的深度学习模型；
在超声盆底检测中，获取当前超声盆底图像，并将所述当前超声盆底图像输入至所述深度学习模型，得到所述当前超声盆底图像的盆底状态；
在所述当前超声盆底图像上自动标注出其盆底状态。


2.如权利要求1所述的盆底状态的分类方法，其特征在于，所述预先建立并训练好用于识别超声盆底图像的盆底状态的深度学习模型的过程，包括：
预先建立用于提取超声盆底图像上的盆底特征以识别其盆底状态的深度学习模型；
获取超声盆底样本图像和所述超声盆底样本图像的标准盆底状态；
将所述超声盆底样本图像输入至所述深度学习模型，以利用所述深度学习模型提取所述超声盆底样本图像上的实际盆底特征，并根据所述实际盆底特征确定所述超声盆底样本图像的实际盆底状态；
求取所述实际盆底状态和所述标准盆底状态之间的误差，并在降低所述误差的目标条件下调整所述深度学习模型的节点权重，而后进行下一轮的样本训练，直至所述误差降低至预设误差范围内。


3.如权利要求2所述的盆底状态的分类方法，其特征在于，所述利用所述深度学习模型提取所述超声盆底样本图像上的实际盆底特征，并根据所述实际盆底特征确定所述超声盆底样本图像的实际盆底状态的过程，包括：
利用所述深度学习模型中的卷积层提取卷积核每次滚动对应的所述超声盆底样本图像上的盆底有效特征；
利用所述深度学习模型中的池化层对卷积核每次滚动对应的盆底有效特征进行特征融合，得到所述超声盆底样本图像对应的多维融合特征；
利用所述深度学习模型中的flatten层对所述多维融合特征进行一维化处理，得到一维融合特征；
利用所述深度学习模型中的全连接层将所述一维融合特征分类得到所述超声盆底样本图像的实际盆底状态。


4.如权利要求3所述的盆底状态的分类方法，其特征在于，在提取卷积核每次滚动对应的所述超声盆底样本图像上的盆底有效特征之后，在对卷积核每次滚动对应的盆底有效特征进行特征融合之前，所述分类方法还包括：
利用在所述卷积层和所述池化层之间插入的规范化层对所述盆底有效特征进行规范化处理，得到盆底规范化特征；
从所述盆底规范化特征中确定满足于预设非线性激活函数的盆底可用特征；
则所述利用所述深度学习模型中的池化层对卷积核每次滚动对应的盆底有效特征进行特征融合的过程，包括：
利用所述深度学习模型中的池化层对卷积核每次滚动对应的盆底可用特征进行特征融合。


5.如权利要求2所述的盆底状态的分类方法，其特征在于，在将所述超声盆底样本图像输入至所述深度学习模型之前，所述分类方法还包括：
对所述超声盆底样本图像进行规范化处理，得到规范化的超声盆底样本图像。


6.如权利要求5所述的盆底状态的分类方法，其特征在于，在得到规范化的超声盆底样本图像之后，所述分类方法还包括：
对所述规范化的超声盆底样本图像进行数据增强处理，得到数量扩充的超声盆底样本图像。


7.如权利要求1所述的盆底状态的分类方法，其特征在于，所述分类方法还包括：
获取一段超声影像，并将所述超声影像的每一帧盆底图像均作为当前盆底超声图像输入至所述深度学习模型中；
基于所述深度学习模型自动挑选出目标盆底状态下的帧图像，并在所述帧图像上自动进行盆底状态标注。


8.如权利要求1-...

【专利技术属性】
技术研发人员：李萍，闭世兰，王艳，
申请(专利权)人：深圳开立生物医疗科技股份有限公司，
类型：发明
国别省市：广东;44