【技术实现步骤摘要】
一种基于卷积神经网络的超声图像分类方法
本专利技术涉及超声图像分析领域，特别涉及一种基于卷积神经网络的超声图像分类方法。
技术介绍
超声成像技术是医学成像中的一种重要成像方式，对超声图像的自动化诊断技术有利于辅助临床诊断以及医生培训。传统超声图像分类方法使用中存在诸多不利因素：1.培训时间长，财务成本高；2.患者检查时间较长；3.医生人为因素所导致的不可避免的准确性、可靠性和一致性问题。
技术实现思路
专利技术目的：本专利技术所要解决的技术问题是针对现有超声图像分类方法一致性和可靠性较差的情况，基于深度学习中的卷积神经网络以及基本的图像处理方法，提供了一种基于卷积神经网络的超声图像分类方法，实现了对图像中目标区域的定位和对超声图像的分类评估。为了解决上述技术问题，本专利技术公开了一种基于卷积神经网络的超声图像分类方法，包括如下步骤：步骤1，使用多次裁剪、添加高斯噪声、对图像进行直方图均衡的方法对数据集进行增广；步骤2，利用交叉训练策略进行目标检测神经网络的训练，并验证测试；...
【技术保护点】
1.一种基于卷积神经网络的超声图像分类方法，其特征在于，包括如下步骤：/n步骤1，使用多次裁剪、添加高斯噪声、对图像进行直方图均衡的方法对数据集进行增广；/n步骤2，利用交叉训练策略进行目标检测神经网络的训练，并验证测试；/n步骤3，利用加载预训练模型和微调的迁移学习方法进行卷积神经网络的调优，并验证测试；/n步骤4，利用目标检测神经网络进行超声图像中目标区域的定位，并利用卷积神经网络进行超声图像的分类评估。/n
【技术特征摘要】
1.一种基于卷积神经网络的超声图像分类方法，其特征在于，包括如下步骤：
步骤1，使用多次裁剪、添加高斯噪声、对图像进行直方图均衡的方法对数据集进行增广；
步骤2，利用交叉训练策略进行目标检测神经网络的训练，并验证测试；
步骤3，利用加载预训练模型和微调的迁移学习方法进行卷积神经网络的调优，并验证测试；
步骤4，利用目标检测神经网络进行超声图像中目标区域的定位，并利用卷积神经网络进行超声图像的分类评估。
2.根据权利要求1所述的方法，其特征在于，步骤1中数据集增广所使用的图像是从原图中多次裁剪出的目标区域的图像子块，其目的在于去除无效黑色区域以及标记信息，防止干扰网络训练。裁剪图像块时在中心目标区域及其偏左、偏右、偏下区域共裁剪四次。
3.根据权利要求1所述的方法，其特征在于，步骤1中数据集增广手段之一是对超声图像添加高斯白噪声，其直方图曲线服从一维高斯分布：
其中σ为标准差，为均值。
4.根据权利要求1所述的方法，其特征在于，步骤1中数据集增广手段之一是对超声图像进行直方图均衡，即对原始图像中的像素灰度做某种映射变换，使变换后的图像灰度的概率密度均匀分布。对于离散图像，假定数字图像中总像素为N，灰度级总数为M个，第k个灰度级的值为rk，图像中具有灰度级rk的像素数目为nk，则该图像中灰度级rk的像素出现概率为：
对其进行均匀化处理的变换函数为：
利用变换函数对图像做灰度变换，即可得到直方图均衡化后的图像。
5.根据权利要求1所述的方法，其特征在于，步骤2中采用的目标检测网络为FasterR-CNN(FasterRegion-basedConvolutionalNetwork)，该目标检测网络由RPN(RegionProposalNetwork)网络和FastR-CNN网络组成，RPN网络用以提取候选区域，FastR-CNN采用RPN网络提供的候选区域生成最终的定位结果。
FasterR-CNN的损失函数为多任务联合损失函数，用以同时训练目标分类以及边界框回归，计算方式为：
Lcls＝-logpu
其中pu为候选框为目标的概率，Lcls为真实类别u的对数损失函数，Lloc是定位损失函数，由属于类别u真实的候选框标记v＝(vx，vy，vw，vh)以及预测...
【专利技术属性】
技术研发人员：袁杰，汤键，金志斌，吴敏，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。