胸膜线区域提取方法、存储介质及超声诊断设备技术

本发明专利技术提出一种胸膜线区域提取方法，包括：获取包括胸膜线区域的肺部超声图像；将所述包括胸膜线区域的肺部超声图像输入快速分割卷积神经网络，处理得到标识的胸膜线区域。所述快速分割卷积神经网络包括：降采样部、全局特征提取部、特征融合部、像素分类部；本发明专利技术还提出了应用该胸膜线区域提取方法的超声诊断设备。本发明专利技术通过神经网络模型，自动在肺部超声图像中提取胸膜线区域，识别准确率高，能够为后续的参数检测或疾病诊断提供正确依据。

【技术实现步骤摘要】
胸膜线区域提取方法、存储介质及超声诊断设备
本专利技术涉及超声诊断设备中的图像处理方法，尤其是一种胸膜线区域提取方法。
技术介绍
目前在对患者进行超声诊断时，对于需要识别的区域，往往是通过操作者人工从超声图像中识别；但是此种方式极大地依赖于操作者的经验；对于刚工作的医务工作者，可能会存在一定的误判率。对于肺部超声中的胸膜线区域，准确识别至关重要，才能为后续胸膜线区域厚度测量等相关肺部疾病诊断提供支持。
技术实现思路
本专利技术的目的在于克服现有技术中存在的不足，提供一种胸膜线区域提取方法，能够借助于神经网络模型，自动在肺部超声图像中提取胸膜线区域，识别准确率高，能够为后续的参数检测或疾病诊断提供正确依据。本专利技术还提出了应用该胸膜线区域提取方法的超声诊断设备。第一方面，本专利技术实施例提出一种胸膜线区域提取方法，包括：获取包括胸膜线区域的肺部超声图像；将所述包括胸膜线区域的肺部超声图像输入快速分割卷积神经网络，处理得到标识的胸膜线区域。进一步地，所述快速分割卷积神经网络包括：降采样部、全局特征提取部、特征融合部、像素分类部；所述处理得到标识的胸膜线区域，包括：a)输入的包括胸膜线区域的肺部超声图像即原图经过降采样部卷积降采样；b)对于经过a)中得到的特征图，在全局特征提取部和特征融合部中经过两个分支分别处理，然后再融合输出；c)在像素分类部，对于融合得到的特征图，再经过数次卷积处理，然后上采样至原图分辨率输出；d)对于最后输出的特征图，设置像素阈值，大于或等于像素阈值的像素为胸膜线区域的像素，小于像素阈值的像素为胸膜线区域以外的像素。更进一步地，在降采样部，原图依次经过一个二维度卷积层Conv2D、两个卷积层组合DSConv卷积降采样为原图分辨率的1/8。更进一步地，所述在全局特征提取部和特征融合部中经过两个分支分别处理，然后再融合输出，具体包括：在一个分支中，a)中得到的特征图经过一个二维度卷积层Conv2D进行卷积输出；在另一个分支中，a)中得到的特征图首先经过三个依次级联的瓶颈层Bottleneck处理，分辨率从原图的1/8继续下降为原图的1/32，然后原图分辨率1/32的特征图再经过金字塔池化层处理；对经过金字塔池化后的特征图，经过一个上采样层Upsample上采样为原图分辨率的1/8，再经过深度分离卷积层组合DWConv和二维度卷积层Conv2D两次卷积处理后，与所述一个分支的卷积输出相加，得到融合后的特征图。更进一步地，经过金字塔池化后的特征图的特征大小为1x1、2x2、3x3、6x6。更进一步地，在像素分类部配置有依次级联的两个卷积层组合DSConv和一个二维度卷积层Conv2D，融合得到的特征图通过所述相级联的两个卷积层组合DSConv和一个二维度卷积层Conv2D进行三次卷积处理；然后通过一个上采样层Upsample上采样至原图分辨率。第二方面，本专利技术实施例提出一种超声诊断设备，包括：存储器，存储有计算机程序；处理器，用于运行所述计算机程序，所述计算机程序运行时执行如前文所述的方法的步骤。第三方面，本专利技术实施例提出一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被配置为运行时执行如前文所述的方法的步骤。相较于现有技术，本申请通过快速分割卷积神经网络对肺部超声图像进行自动处理，避免了操作者经验不足的影响，能够快速准确识别出肺部超声图像中的胸膜线区域，能够为后续B线检测提供一个初始的定位，B线在胸膜线区域下方；也方便后续进行胸膜线区域的厚度的测量，胸膜线区域的厚度可为诊断某些疾病作参考。附图说明图1为本专利技术实施例的方法流程图。图2为本专利技术实施例中的Fast-SCNN结构示意图。图3a为本专利技术实施例中的肺部超声图像原图。图3b为本专利技术实施例中的经过Fast-SCNN提取胸膜线区域输出示意图。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用以解释本专利技术，并不用于限定本专利技术。本专利技术的实施例提出一种胸膜线区域提取方法，包括：步骤S1，获取包括胸膜线区域的肺部超声图像；操作者在操作超声诊断设备时，可以通过超声探头扫查，获取包括胸膜线区域的肺部超声图像；步骤S2，将所述包括胸膜线区域的肺部超声图像输入快速分割卷积神经网络，处理得到标识的胸膜线区域。本实施例中快速分割卷积神经网络即Fast-SCNN；下面详细介绍该快速分割卷积神经网络；所述快速分割卷积神经网络包括降采样部、全局特征提取部、特征融合部、像素分类部；具体图像处理过程如下：a)，输入的包括胸膜线区域的肺部超声图像即原图经过降采样部卷积降采样；所述降采样部具体包括依次连接的一个二维度卷积层Conv2D、两个卷积层组合DSConv；原图依次经过一个二维度卷积层Conv2D、两个卷积层组合DSConv卷积降采样为原图分辨率的1/8；卷积层组合DSConv包括DepthWise卷积（深度可分离卷积），之后叠加的激活函数Relu及批量归一化；并在后续叠加PointWise卷积（逐点卷积）、激活函数Relu及批量归一化；b)，对于经过a)中得到的特征图，在全局特征提取部和特征融合部中经过两个分支分别处理，然后再融合输出；在一个分支中，a)中得到的特征图经过一个二维度卷积层Conv2D进行卷积输出；在另一个分支中，a)中得到的特征图首先经过三个依次级联的瓶颈层Bottleneck处理，分辨率从原图的1/8继续下降为原图的1/32，然后原图分辨率1/32的特征图再经过金字塔池化层处理，经过金字塔池化后的特征图的特征大小为1x1、2x2、3x3、6x6；对经过金字塔池化后的特征图，经过一个上采样层Upsample上采样为原图分辨率的1/8，再经过深度分离卷积层组合DWConv和二维度卷积层Conv2D两次卷积处理后，与所述一个分支的卷积输出相加，得到融合后的特征图；深度分离卷积层组合DWConv包括DepthWise卷积（深度可分离卷积），之后叠加的激活函数Relu及批量归一化；瓶颈层Bottleneck包括三层二维度卷积层Conv2D组成的残差块及残差连接组成；c)，在像素分类部，对于融合得到的特征图，再经过数次卷积处理，然后上采样至原图分辨率输出；本实施例中，在像素分类部配置有依次级联的两个卷积层组合DSConv和一个二维度卷积层Conv2D，融合得到的特征图通过所述相级联的两个卷积层组合DSConv和一个二维度卷积层Conv2D进行三次卷积处理；然后通过一个上采样层Upsample上采样至原图分辨率输出；d)，对于最后输出的特征图，设置像素阈值，大于或等于像素阈值的像素为胸膜线区域的像素，小于本文档来自技高网...

【技术保护点】
1.一种胸膜线区域提取方法，其特征在于，包括：/n获取包括胸膜线区域的肺部超声图像；/n将所述包括胸膜线区域的肺部超声图像输入快速分割卷积神经网络，处理得到标识的胸膜线区域。/n

【技术特征摘要】
1.一种胸膜线区域提取方法，其特征在于，包括：
获取包括胸膜线区域的肺部超声图像；
将所述包括胸膜线区域的肺部超声图像输入快速分割卷积神经网络，处理得到标识的胸膜线区域。


2.如权利要求1所述的胸膜线区域提取方法，其特征在于，
所述快速分割卷积神经网络包括：降采样部、全局特征提取部、特征融合部、像素分类部；
所述处理得到标识的胸膜线区域，包括：
a)输入的包括胸膜线区域的肺部超声图像即原图经过降采样部卷积降采样；
b)对于经过a)中得到的特征图，在全局特征提取部和特征融合部中经过两个分支分别处理，然后再融合输出；
c)在像素分类部，对于融合得到的特征图，再经过数次卷积处理，然后上采样至原图分辨率输出；
d)对于最后输出的特征图，设置像素阈值，大于或等于像素阈值的像素为胸膜线区域的像素，小于像素阈值的像素为胸膜线区域以外的像素。


3.如权利要求2所述的胸膜线区域提取方法，其特征在于，
在降采样部，原图依次经过一个二维度卷积层Conv2D、两个卷积层组合DSConv卷积降采样为原图分辨率的1/8。


4.如权利要求3所述的胸膜线区域提取方法，其特征在于，
所述在全局特征提取部和特征融合部中经过两个分支分别处理，然后再融合输出，具体包括：
在一个分支中，a)中得到的特征图经过一个二维度卷积层Conv2D进行卷积输出；
在另一个...

【专利技术属性】
技术研发人员：甘从贵，赵明昌，张义，
申请(专利权)人：无锡祥生医疗科技股份有限公司，
类型：发明
国别省市：江苏;32