【技术实现步骤摘要】
基于超声医学的乳腺结节检测方法及系统
本专利技术涉及视频图像处理
，具体涉及基于超声医学的乳腺结节检测方法及系统。
技术介绍
超声计算机辅助计算机辅助诊断(ComputerAidedDiagnosis，CAD)可检测出人眼无法获取的肿瘤内部信息，如纹理信息、边缘信息等，为医生提供可靠的辅助诊断意见，不仅利于缓解医生的工作负荷，减少因医生经验不足或视觉疲劳等原因引起的误诊，还为病人降低了活检率，减轻痛苦。研究使用的乳腺超声人工智能实时检测模块，在超声探查过程中可自动帮助医师发现结节，对于减少漏诊具有重要意义，并且能帮助医师进行超声诊断能力的自我训练。乳腺超声人工智能设备与远程医疗设备结合，有望获得远程超声专家的支持。对于提升基层医院超声医师技术水平，实现优质医疗资源再分配具有十分重要的社会价值。本专利技术主要是开发一种基于超声医学视频图像的深度学习的乳腺BI-RADS4、5类疾病恶性的检测方法及系统，结合临床专家经验及临床病理诊断，研究影像表现与乳腺肿瘤良恶性及不同病理分型之间的关系，构建出准确性高且结果可解释的...
【技术保护点】
1.基于超声医学的乳腺结节检测方法，其特征在于，包括以下步骤：/nS1、获取乳腺超声视频数据，并进行预处理；/nS2、将预处理数据通过迁移学习的方法训练，建立乳腺结节检测模型；/nS21、特征提取：将预处理后的视频数据经过特征提取网络ResNet得到视频特征向量；/nS22、线性分类：将所述视频特征向量通过线性分类网络检测视频各帧的分类概率；/nS23、注意力选择：将所述视频特征向量通过注意力选择网络得到视频各帧权重；/nS24、视频检测：结合线性分类给出的分类概率和注意力选择模块提供的各帧权重，得到乳腺结节检测模型；/nS3、将待测试的视频数据输入所述乳腺结节检测模型，得出结果。/n
【技术特征摘要】
1.基于超声医学的乳腺结节检测方法，其特征在于，包括以下步骤：
S1、获取乳腺超声视频数据，并进行预处理；
S2、将预处理数据通过迁移学习的方法训练，建立乳腺结节检测模型；
S21、特征提取：将预处理后的视频数据经过特征提取网络ResNet得到视频特征向量；
S22、线性分类：将所述视频特征向量通过线性分类网络检测视频各帧的分类概率；
S23、注意力选择：将所述视频特征向量通过注意力选择网络得到视频各帧权重；
S24、视频检测：结合线性分类给出的分类概率和注意力选择模块提供的各帧权重，得到乳腺结节检测模型；
S3、将待测试的视频数据输入所述乳腺结节检测模型，得出结果。
2.如权利要求1所述的基于超声医学的乳腺结节检测方法，其特征在于：所述特征提取网络ResNet为网络深度18层的ResNet18，所述ResNet18的网络结构可以分为五个阶段，在首层中采用卷积核大小为7×7的卷积层捕获较大的感受野，随后经过一个步长为2的最大池化层，在后四层中，采用卷积核大小为3×3的卷积层进行特征提取。
3.如权利要求1所述的基于超声医学的乳腺结节检测方法，其特征在于，所述步骤S21中特征提取具体为：将预处理后的视频数据V＝{ft|t∈[1，T]，t∈N^*}，其中ft表示视频第t帧图像，T表示视频长度，经过所述特征提取网络ResNet对视频各帧信息进行编码，可以得到视频特征向量序列F＝{st|t∈[1，T]，t∈N^*}，其中st表示视频第t帧图像对应的特征向量。
4.如权利要求3所述的基于超声医学的乳腺结节检测方法，其特征在于，所述步骤S22中线性分类具体为：线性分类网络包括了一个全连接层和softmax函数层，所述全连接层在提取的特征向量的每个维度上执行特征融合，通过权重形式使分类专注于有效特征，忽略无用特征，所述softmax函数层对输出进行归一化，为分类提供有效概率，给定提取后的视频特征向量F，学习权重Wp∈R，视频的分类概率P＝softmax(WpF+b)，其中b是常数。
5.如权利要求4所述的基于超声医学的乳腺结节检测方法，其特征在于，所述步骤S23中注意力选择具体为：注意力选择网络包括一个全连接层和softmax函数层，所述全连接层在提取的特征向量的每个维度上执行特征融合，通过权重形式使分类专注于有...
【专利技术属性】
技术研发人员：张国君，李卫斌，陈敏，王连生，陈云超，徐辉雄，
申请(专利权)人：厦门大学附属翔安医院，
类型：发明
国别省市：福建;35
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。