【技术实现步骤摘要】
一种颈部淋巴结图像分类识别装置及方法
本专利技术涉及图像处理
，尤其涉及一种颈部淋巴结图像分类识别装置及方法。
技术介绍
颈淋巴结肿大是临床常见的表现，颈部淋巴结肿大的原因很多，包括各种感染和非感染性因素引起的反应性增生、肿瘤性淋巴结病、其他疾病等。临床上初期检查往往使用超声检测的方式，具有无创性、易接近、成本低、辐射少的优势。为更加快速、准确地识别超声检测图像中的淋巴结肿大，有研究者提出了以深度学习的方式，通过训练神经网络，自动识别分类二维超声检测得到的淋巴结图像。但现有技术中用于训练机器学习模型的淋巴结图像特征集往往需要人工设定，过于依赖于人工经验，一方面，若关键特征在初始阶段未被纳入特征集，则机器学习模型无法提取该特征，影响后续分类识别；另一方面，若特征集过大，则会导致计算复杂度过高，不能快速、高效地确定分类识别结果。
技术实现思路
本专利技术的目的是针对上述至少一部分缺陷，提供一种可自动提取输入图像有价值特征，并进行颈部淋巴结肿大分类识别的装置及方法。为了实现上述目的，本专利...
【技术保护点】
1.一种颈部淋巴结图像分类识别装置，其特征在于，包括：/n数据获取模块，用于获取多组确定分类类别的淋巴结数据图，每组淋巴结数据图包括由同一台彩色超声机检测产生的超声图像和相应的多普勒图像；/n数据处理模块，用于对各组淋巴结数据图中的超声图像和相应的多普勒图像进行模态对齐，得到双模态样本，每组双模态样本均包括超声分支和多普勒分支两种模态的数据；/n模型训练模块，用于构建深度学习模型，利用多组所述双模态样本对其进行训练；其中，所述深度学习模型包括两个相同的残差网络、一个特征维度拼接层和一个输出网络；两个相同的残差网络用于分别输入每组双模态样本中两种模态的数据进行特征提取，并输出...
【技术特征摘要】 【专利技术属性】
1.一种颈部淋巴结图像分类识别装置，其特征在于，包括：
数据获取模块，用于获取多组确定分类类别的淋巴结数据图，每组淋巴结数据图包括由同一台彩色超声机检测产生的超声图像和相应的多普勒图像；
数据处理模块，用于对各组淋巴结数据图中的超声图像和相应的多普勒图像进行模态对齐，得到双模态样本，每组双模态样本均包括超声分支和多普勒分支两种模态的数据；
模型训练模块，用于构建深度学习模型，利用多组所述双模态样本对其进行训练；其中，所述深度学习模型包括两个相同的残差网络、一个特征维度拼接层和一个输出网络；两个相同的残差网络用于分别输入每组双模态样本中两种模态的数据进行特征提取，并输出分别提取的特征；所述特征维度拼接层用于对两个残差网络分别提取的特征进行拼接，并输出拼接后的特征；所述输出网络用于根据拼接后的特征进行分类识别，并输出分类识别结果；
图像识别模块，用于获取待识别的淋巴结图像，生成相应的输入样本后，输入训练好的所述深度学习模型进行分类识别，得到识别结果。
2.根据权利要求1所述的装置，其特征在于：
所述数据获取模块获取多组确定分类类别的淋巴结数据图时，分类类别对应三类，分别为：无肿大、反应性肿大、非反应性肿大；
所述深度学习模型中，所述输出网络输出分类识别结果对应三类，分别为：无肿大、反应性肿大、非反应性肿大。
3.根据权利要求1所述的装置，其特征在于：
所述数据处理模块还用于以随机抽样的形式将多组所述双模态样本划分为训练集和验证集，二者所包括的所述双模态样本组数比值为(K-1)：1；
所述模型训练模块对所述深度学习模型进行训练时，根据划分的训练集和验证集，采用K折交叉验证方式训练。
4.根据权利要求3所述的装置，其特征在于：
所述数据处理模块还用于对训练集中的所述双模态样本进行数据扩增。
5.根据权利要求4所述的装置，其特征在于：
所述数据处理模块对所述双模态样本进行数据扩增时，将所述双模态样本中的超声分支和多普勒分支两种模态同步随机旋转，旋转角度范围0°～45°，和/或
将所述双模态样本中的超声分支和多普勒分支两种模态同步左右翻转。
技术研发人员：傅湘玲，吴及，高桐，郭辰仪，欧阳天雄，
申请(专利权)人：北京邮电大学，清华大学，
类型：发明
国别省市：北京;11
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。