一种基于深度学习的浅表超声影像病灶辅助诊断方法技术

本发明专利技术一种基于深度学习的浅表超声影像病灶辅助诊断方法涉及辅助医学诊断的领域，对超声影像的所有超声特性组进行编码，编码后形成特性编码字典Dict_F，获取原始浅表超声影像，对原始浅表超声影像进行增强处理后调整其至宽度及高度为832*640的标准浅表超声影像，所获得的浅表超声影像中的病灶部位进行多边形分割，形成病灶分割标签，构建神经网络，利用影像训练集对神经网络的参数进行训练，得到能够对浅表超声影像进行病灶定位与特性分析的神经网络，利用训练得到的卷积神经网络对浅表超声影像进行辅助诊断与分析，本发明专利技术速度快、效率高、精度较高，实现了浅表超声病灶特性自动分析，可有效对浅表脏器病患浅表超声影像病灶情况进行辅助诊断。灶情况进行辅助诊断。灶情况进行辅助诊断。

【技术实现步骤摘要】
一种基于深度学习的浅表超声影像病灶辅助诊断方法


[0001]本专利技术涉及辅助医学诊断的领域,更具体地说，它涉及一种基于深度学习的浅表超声影像病灶辅助诊断方法。

技术介绍

[0002]超声医学在浅表异常组织诊断中有广泛应用，特别是如乳腺癌的早期诊断、颈动脉血管斑块诊断等是医院目前最常用的诊断手段之一。超声医学视觉领域与普通现实视觉领域（如人脸检测）最大的不同是，超声医学视觉领域不能仅仅根据图像的文理、形状、大小等来定位和检测病灶，而是需要把超声灰度图像在医生人脑中还原为具有空间立体特性的器官解剖结构后，再进行病灶定位与检测。因此超声诊断对医生的专业水平有很高的要求，对于缺乏高水平知识的基层医院诊断准确率就比较低。
[0003]超声医学图像视觉检测能有效帮助基层医生提高诊断准确率，但目前绝大多数视觉检测方法均基于U-Net人工神经网络进行，其特点是它对超声医学影像中特定病灶目标的形状、周边文理等特性有较高的敏感度，但对影像中不同目标的空间结构所反应的医学信息则不敏感。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术的目的在于提供一种速度快、效率高、精度较高，实现了浅表超声病灶特性自动分析，可有效对浅表脏器病患浅表超声影像病灶情况进行辅助诊断。
[0005]为实现上述目的，本专利技术提供了如下技术方案：一种基于深度学习的浅表超声影像病灶辅助诊断方法，包括以下步骤：步骤一，对超声影像的所有超声特性组进行编码，编码后形成特性编码字典Dict_F；步骤二：获取原始浅表超声影像，对原始浅表超声影像进行增强处理后调整其至宽度及高度为832*640的标准浅表超声影像；步骤三：对步骤2中所获得的浅表超声影像中的病灶部位进行多边形分割，形成病灶分割标签；步骤四，构建神经网络，利用影像训练集对神经网络的参数进行训练，得到能够对浅表超声影像进行病灶定位与特性分析的神经网络；步骤五，利用训练得到的卷积神经网络对浅表超声影像进行辅助诊断与分析。
[0006]本专利技术进一步设置为：所述步骤三中，对分割标签的超声特性组进行描述，描述时判定每一项超声特性组是否为真，为真则获取该特性所对应的编码，将所有获取到的编码依次排列，形成分割标签的特性标签。
[0007]本专利技术进一步设置为：将所述标准浅表超声影像设置为训练样本，且占总量的90%，将所述分割标签及特性标签设置为测试样本，占总量的10%。
[0008]本专利技术进一步设置为：所述神经网络包含一个共同的主干网络，从主干网络分出
有用于病灶检测的检测子网络和病灶特性分析的分析子网络。
[0009]本专利技术进一步设置为：所述步骤四的主干网的构建过程为：步骤4.1.1： 输入一组大小为832*640的训练样本，在组内影像数量取1、2、4或8；步骤4.1.2：将输入影像的每个通道的像素值除以127.5再减去1，使得像素的每个通道的值均落在区间[0,1]之间；步骤4.1.3： 将步骤4.1.2的输出使用大小为7*7，通道数为16的卷积核，作步长为2*2的卷积操作提取特征，得到通道数为16，大小为416*320的特征图；步骤4.1.4： 将步骤4.1.3的输出做大小为3*3，步长为2*2的池化操作，输出大小为208*160，通道数为16的特征图；步骤4.1.5： 将步骤4.1.4的输出用尺度为1*1，输出通道数为64的残差模块Block做特征提取操作，累计重复三次；步骤 4.1.6：将步骤4.1.5的输出用尺度为2*2，输出通道数为128的残差模块Block做一次特征提取操作，输出大小为104*80，通道数为128的特征图；步骤4.1.7： 将步骤4.1.6的输出用尺度为1*1，输出通道数为128的残差模块Block做特征提取操作，累计重复三次；步骤4.1.8： 将步骤4.1.7的输出用尺度为2*2，输出通道数为256的残差模块Block做一次特征提取操作，输出大小为52*40，通道数为256的特征图；步骤4.1.9： 将步骤4.1.8的输出用尺度为1*1，输出通道数为256的残差模块Block做特征提取操作，累计重复二十二次，再将结果使用大小为3*3，通道数为64的卷积核，作步长为1*1的卷积操作提取特征；步骤4.1.10：将步骤4.1.9的输出结果沿通道方向取出每一通道对应特征图，并沿着宽度方向做拼接，形成大小为3328*40，通道数为1的特征图；将所述步骤4.1.10形成的新的特征图做大小为64*4，步长为64*1的补丁提取操作，形成补丁集；步骤4.1.11： 对补丁集通过细胞元数为128的双向长短记忆模型运算，再将运算结果经过全连接层fc1及reshape后，形成大小为52*40，通道数为512的特征图。
[0010]步骤4.1.12：将步骤4.1.11的输出结果做一次卷积核大小为3*3，步长为2*2，通道数为512的卷积运算，最终形成大小为26*20，通道数为512的特征图。
[0011]本专利技术进一步设置为：所述检测子网络的构建过程为：步骤4.2.1： 将步骤4.1.12的输出做上采样操作，形成大小为52*40，通道数为256的特征图，再将步骤4.1.8的输出结果复制后沿通道方向拼接在其后面；步骤4.2.2： 将步骤4.2.1的输出结果使用尺度为1*1，输出通道数为128的残差模块Block做特征提取操作，累计重复二十三次；步骤4.2.3：将步骤4.2.2的输出做上采样操作，形成大小为104*80，通道数为128的特征图，再将步骤4.1.6的输出结果复制后沿通道方向拼接在其后面；步骤4.2.4：将步骤4.2.3的输出结果使用尺度为1*1，输出通道数为16的残差模块Block做特征提取操作，累计重复四次；步骤4.2.5 ：将步骤4.2.4的输出做上采样操作，形成大小为208*160，通道数为16的特征图，再将步骤4.1.4的输出结果复制后沿通道方向拼接在其后面；
步骤4.2.6 ：将步骤4.2.5的输出结果使用尺度为1*1，输出通道数为16的残差模块Block做特征提取操作，累计重复三次；步骤4.2.7 ：将步骤4.2.6的输出做上采样操作，形成大小为416*320，通道数为16的特征图，再将步骤4.1.3的输出结果复制后沿通道方向拼接在其后面；步骤4.2.8 ：将步骤4.2.7的输出做上采样操作，形成大小为832*640，通道数为16的特征图；步骤4.2.9 ：将步骤4.2.8的特征图经过全连接层fc2，形成大小为832*640，通道数为2的特征图，且将输出该特征图在通道方向上做softmax运算，得到浅表超声影像病灶检测结果。
[0012]本专利技术进一步设置为：所述分析子网络的构建过程为：步骤4.3.1：将步骤4.1.1用于构建主网络的影像所对应的分割标签取其外接矩形，将所获得的矩形做变换操作，将步骤4.1.11所获得的特征图做上采用操作，输出形状为104*80，通道数为256的特征图；利用变换后的外接矩形对本步骤上采样后的特征图做剪裁，获取矩形范围内的剪裁结果，并将剪裁结果调整为大小26*13，通道数为256的特征图；步骤4.3.2：将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的浅表超声影像病灶辅助诊断方法，其特征是：包括以下步骤：步骤一，对超声影像的所有超声特性组进行编码，编码后形成特性编码字典Dict_F；步骤二：获取原始浅表超声影像，对原始浅表超声影像进行增强处理后调整其至宽度及高度为832*640的标准浅表超声影像；步骤三：对步骤2中所获得的浅表超声影像中的病灶部位进行多边形分割，形成病灶分割标签；步骤四，构建神经网络，利用影像训练集对神经网络的参数进行训练，得到能够对浅表超声影像进行病灶定位与特性分析的神经网络；步骤五，利用训练得到的卷积神经网络对浅表超声影像进行辅助诊断与分析。2.根据权利要求1所述的一种基于深度学习的浅表超声影像病灶辅助诊断方法，其特征是：所述步骤三中，对分割标签的超声特性组进行描述，描述时判定每一项超声特性组是否为真，为真则获取该特性所对应的编码，将所有获取到的编码依次排列，形成分割标签的特性标签。3.根据权利要求2所述的一种基于深度学习的浅表超声影像病灶辅助诊断方法，其特征是：将所述标准浅表超声影像设置为训练样本，且占总量的90%，将所述分割标签及特性标签设置为测试样本，占总量的10%。4.根据权利要求2所述的一种基于深度学习的浅表超声影像病灶辅助诊断方法，其特征是：所述神经网络包含一个共同的主干网络，从主干网络分出有用于病灶检测的检测子网络和病灶特性分析的分析子网络。5.根据权利要求4所述的一种基于深度学习的浅表超声影像病灶辅助诊断方法，其特征是：所述步骤四的主干网的构建过程为：步骤4.1.1： 输入一组大小为832*640的训练样本，在组内影像数量取1、2、4或8；步骤4.1.2：将输入影像的每个通道的像素值除以127.5再减去1，使得像素的每个通道的值均落在区间[0,1]之间；步骤4.1.3： 将步骤4.1.2的输出使用大小为7*7，通道数为16的卷积核，作步长为2*2的卷积操作提取特征，得到通道数为16，大小为416*320的特征图；步骤4.1.4： 将步骤4.1.3的输出做大小为3*3，步长为2*2的池化操作，输出大小为208*160，通道数为16的特征图；步骤4.1.5： 将步骤4.1.4的输出用尺度为1*1，输出通道数为64的残差模块Block做特征提取操作，累计重复三次；步骤 4.1.6：将步骤4.1.5的输出用尺度为2*2，输出通道数为128的残差模块Block做一次特征提取操作，输出大小为104*80，通道数为128的特征图；步骤4.1.7： 将步骤4.1.6的输出用尺度为1*1，输出通道数为128的残差模块Block做特征提取操作，累计重复三次；步骤4.1.8： 将步骤4.1.7的输出用尺度为2*2，输出通道数为256的残差模块Block做一次特征提取操作，输出大小为52*40，通道数为256的特征图；步骤4.1.9： 将步骤4.1.8的输出用尺度为1*1，输出通道数为256的残差模块Block做特征提取操作，累计重复二十二次，再将结果使用大小为3*3，通道数为64的卷积核，作步长
为1*1的卷积操作提取特征；步骤4.1.10：将步骤4.1.9的输出结果沿通道方向取出每一通道对应特征图，并沿着宽度方向做拼接，形成大小为3328*40，通道数为1的特征图；将所述步骤4.1.10形成的新的特征图做大小为64*4，步长为64*1的补丁提取操作，形成补丁集；步骤4.1.11： 对补丁集通过细胞元数为128的双向长短记忆模型运算，再将运算结果经过全连接层fc1及reshape后，形成大小为52*40，通道数为512的特征图；步骤4.1.12：将步骤4.1.11的输出结...

【专利技术属性】
技术研发人员：许学志，
申请(专利权)人：上海贮译智能科技有限公司，
类型：发明
国别省市：