一种识别超声图像中特征的方法、系统及电子设备技术方案

本发明专利技术属于神经网络技术领域，具体公开了一种识别超声图像中特征的方法、系统及电子设备。所述方法包括如下步骤：图像获取步骤，获取所述超声图像，并选取感兴趣区域；亮度获取步骤，通过卷积神经网络对所述感兴趣区域进行计算，获取所述感兴趣区域中图像的亮度值；计算步骤，根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声强度；比较步骤，比较所述回声强度和预设的阈值，识别所述感兴趣区域中的特征。本发明专利技术用于辅助甲状腺结节良恶性的判定，可显著提高诊断的客观性和可解释性。性。性。

【技术实现步骤摘要】
一种识别超声图像中特征的方法、系统及电子设备


[0001]本专利技术涉及神经网络
，尤其涉及了一种识别超声图像中特征的方法、系统及电子设备。

技术介绍

[0002]甲状腺癌在全球范围内已经成为女性最常见的癌症种类，女性的发病率是男性的3倍。根据2018年的一项统计，每20例女性癌症确诊病例中就有一例是甲状腺癌。
[0003]超声成像技术由于其非侵入性和无辐射、低成本而广泛用于多种病症的诊断中。在诊断是否可能出现恶性肿瘤的过程中，经常采用超声图像对各种类型的组织和体内结构进行初步检查，例如甲状腺结节、乳房病变、前列腺病变等。然而，超声图像具有相对较差的图像质量，要从超声图像中识别甲状腺结节和检测癌症迹象是具有挑战性的任务。
[0004]近年来，卷积神经网络(Convolutional Neural Network，CNN)已经成功地应用于计算机视觉的许多应用领域，特别是在大规模复杂的视觉识别任务中，已经显示出了非常出色的目标识别性能。
[0005]由于CNN能够进行特征学习，将CNN技术与医学成像技术相结合，能够从输入图像中识别出有条理和鲁棒的对象特征，如线条，角落，形状，纹理和颜色，进而为对象分类工作提供依据。
[0006]目前已经开发出诸如VGG(Visual Geometry Group，视觉几何组)模型用于对象识别问题。该模型的体系结构包括权重层，归一化层，最大池化层，完全连接层，以及在输出层中具有分类器softmax的线性层。VGG模型是一个在大约120万张已标记图像上训练出来的DCNN(Deep Convolutional Neural Network，深度卷积神经网络)，它包含了来自ILSVRC(ImageNet Large Scale Visual Recognition Challenge，大规模视觉识别挑战)数据集的1000个不同类别，其中每一幅图像都包含一个位于中心的单一对象，占据了图像的很大一部分，并且背景杂乱程度有限。
[0007]在过去几年中，CNN已经开始被用于医学图像分析。通过准确的预测结果，这些解决方案可以提供正确理解肿瘤性质的机会，并帮助医生和其他医疗专业人员及早准确地诊断诸如癌症的急性疾病并监测患者治疗的有效性。
[0008]然而，目前对超声图像的识别结果尚不够准确。

技术实现思路

[0009]为了解决上述缺陷，本专利技术提出了一种识别超声图像中特征的方法，通过分析超声图像的亮度来检测特征，包括如下步骤：
[0010]图像获取步骤，获取所述超声图像，并选取感兴趣区域；
[0011]亮度获取步骤，通过卷积神经网络对所述感兴趣区域进行计算，获取所述感兴趣区域中图像的亮度值；
[0012]计算步骤，根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声
强度；
[0013]比较步骤，比较所述回声强度和预设的阈值，识别所述感兴趣区域中的特征。
[0014]上述的方法中，所述亮度参照范围包括高位、中位、低位三种，所述计算步骤计算出高位、中位、低位三个所述回声强度。
[0015]上述的方法中，中位亮度参照范围不超过[Out
med-bin
min
,Out
med
+bin
max
]，其中，Out
med
为所述感兴趣区域周围组织亮度的中间值，bin
min
和bin
max
分别为最小容限和最大容限。
[0016]上述的方法中，所述回声强度的计算公式如下：
[0017][0018]其中，Echo
i
为回声强度；I
′
x,y
为坐标(x，y)处的亮度值；Si为亮度参照范围，下标i用于区别高位亮度参照范围、中位亮度参照范围和低位亮度参照范围；为指示函数，当I
′
x,y
属于亮度参照范围Si时，为1，否则为0。
[0019]上述的方法中，如计算得出的高位回声强度、中位回声强度和低位回声强度均小于所述阈值，则得出所述感兴趣区域不均匀的结论，否则得出所述感兴趣区域均匀的结论。
[0020]相应的，本专利技术还提出了一种识别超声图像中特征的系统，包括：
[0021]获取模块，用于获取原始的超声图像；
[0022]选取模块，在所述原始的超声图像上进行裁剪，以提取感兴趣区域；
[0023]特征识别模块，对所述感兴趣区域进行特征分析，提取其中的回声特性；
[0024]结节特性检测模块，以亮度值表征所述回声特性，根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声强度；
[0025]判定模块，将所述回声强度与预设的阈值比较，进而判定所述结节是否均匀。
[0026]上述的系统中，所述亮度参照范围包括高位、中位、低位三种，所述计算步骤计算出高位、中位、低位三个所述回声强度。
[0027]上述的系统中，如计算得出的高位回声强度、中位回声强度和低位回声强度均小于所述阈值，则得出所述感兴趣区域不均匀的结论，否则得出所述感兴趣区域均匀的结论。
[0028]上述的系统中，还包括交互模块，用于接受对所述亮度参照范围和阈值的调整。
[0029]相应的，本专利技术还提出了一种电子设备，包括：
[0030]存储器，用于存储一个或多个处理器执行的指令；
[0031]处理器，是所述电子设备的处理器之一，用于执行如权利要求1-5中任一项所述的识别超声图像中特征的方法。
[0032]与现有技术相比，本专利技术以ROI(Region Of Interest，感兴趣区域)中图像的亮度表征超声回声的强弱，通过对亮度的分析和计算确定ROI中结节的回声图像均匀度，并进一步设置阈值，从而得出ROI均匀/不均匀的结论。该结论用于辅助甲状腺结节良恶性的判定，可显著提高诊断的客观性和可解释性。
附图说明
[0033]图1是根据本专利技术中一实施例的系统框图；
[0034]图2是根据本专利技术中一实施例的流程图；
[0035]图3是本专利技术中一实施例的硬件结构框图。
具体实施方式
[0036]以下由特定的具体实施例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本专利技术的其他优点及功效。虽然本专利技术的描述将结合较佳实施例一起介绍，但这并不代表此专利技术的特征仅限于该实施方式。恰恰相反，结合实施方式作专利技术介绍的目的是为了覆盖基于本专利技术的权利要求而有可能延伸出的其它选择或改造。为了提供对本专利技术的深度了解，以下描述中将包含许多具体的细节。本专利技术也可以不使用这些细节实施。此外，为了避免混乱或模糊本专利技术的重点，有些具体细节将在描述中被省略。需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0037]应注意的是，在本说明书中，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种识别超声图像中特征的方法，其特征在于，通过分析超声图像的亮度来检测特征，包括如下步骤：图像获取步骤，获取所述超声图像，并选取感兴趣区域；亮度获取步骤，通过卷积神经网络对所述感兴趣区域进行计算，获取所述感兴趣区域中图像的亮度值；计算步骤，根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声强度；比较步骤，比较所述回声强度和预设的阈值，识别所述感兴趣区域中的特征。2.如权利要求1所述的方法，其特征在于，所述亮度参照范围包括高位、中位、低位三种，所述计算步骤计算出高位、中位、低位三个所述回声强度。3.如权利要求2所述的方法，其特征在于，中位亮度参照范围不超过[Out
med-bin
min
,Out
med
+bin
max
]，其中，Out
med
为所述感兴趣区域周围组织亮度的中间值，bin
min
和bin
max
分别为最小容限和最大容限。4.如权利要求2所述的方法，其特征在于，所述回声强度的计算公式如下：其中，Echo
i
为回声强度；I
′
x,y
为坐标(x，y)处的亮度值；Si为亮度参照范围，下标i用于区别高位亮度参照范围、中位亮度参照范围和低位亮度参照范围；为指示函数，当I
′

【专利技术属性】
技术研发人员：陈奇富，
申请(专利权)人：什维新智医疗科技上海有限公司，
类型：发明
国别省市：