超声图像的基准图像的生成方法、装置、设备及存储介质制造方法及图纸

本申请涉及图像特征处理领域，特别是涉及到一种超声图像的基准图像的生成方法、装置、计算机设备及存储介质，所述方法包括：获取预配置的掩膜信息；获取原始超声图像；将所述原始超声图像与所述掩膜信息进行乘积处理，得到特征区域超声图像；将所述特征区域超声图像输入至深度学习网络，得到第一特征变量；将所述原始超声图像输入至深度学习网络，得到第二特征变量；根据所述第一特征变量得到图像的形状特征，根据所述第二特征变量得到图像的细粒特征；根据所述形状特征与所述细粒特征生成基准图像。本申请能够生成准确且具有可靠的可解释性的基准图，提高预测结果的可靠性。提高预测结果的可靠性。提高预测结果的可靠性。

【技术实现步骤摘要】
超声图像的基准图像的生成方法、装置、设备及存储介质


[0001]本申请涉及图像特征处理领域，特别是涉及到一种超声图像的基准图像的生成方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着成像技术的发展，数字影像已成为医学的主要数据，通过人工智能进行图像识别以辅助医生临床决策。当前人工智能技术向医疗领域渗透的最大障碍源于深度神经网络的“黑箱”问题，人类无法相信不可解释的AI做出的决策，原因在于无法准确地对AI决策作出合理的解释。目前一种方式是通过零值图计算超声图像对网络的预测结果的贡献，由于无法提供准确的基准图像，使得该方式无法判别网络关注的是该超声图像的形状特征还是纹理特征，从而无法判断网络是否关注了正确的特征，即目前的基准图不具备较好的超声基准图特性，无法准确表示图像中的特征信息。

技术实现思路

[0003]本申请的主要目的为提供一种超声图像的基准图像的生成方法及投屏连接控制方法、装置、计算机设备及存储介质，旨在解决超声基准图的特征表示准确性低的问题。
[0004]为了实现上述专利技术目的，本申请提出一种超声图像的基准图像的生成方法，包括：
[0005]获取预配置的掩膜信息；
[0006]获取原始超声图像；
[0007]将所述原始超声图像与所述掩膜信息进行乘积处理，得到特征区域超声图像；
[0008]将所述特征区域超声图像输入至深度学习网络，得到第一特征变量；将所述原始超声图像输入至深度学习网络，得到第二特征变量；
[0009]根据所述第一特征变量得到图像的形状特征，根据所述第二特征变量得到图像的细粒特征；
[0010]根据所述形状特征与所述细粒特征生成基准图像。
[0011]进一步地，所述将所述特征区域超声图像输入至深度学习网络，得到第一特征变量；将所述原始超声图像输入至深度学习网络，得到第二特征变量，包括：
[0012]将所述特征区域超声图像输入至深度学习网络，基于所述深度学习网络中的非线性映射网络和仿射变换对所述特征区域超声图像的潜在编码进行变换，得到第一特征变量；
[0013]将所述原始超声图像输入至深度学习网络，基于所述深度学习网络中的非线性映射网络和仿射变换对所述原始超声图像的潜在编码进行变换，得到第二特征变量。
[0014]进一步地，所述根据所述第一特征变量得到图像的形状特征，根据所述第二特征变量得到图像的细粒特征，包括：
[0015]将所述第一特征变量输入至生成网络中的低分辨率卷积层，得到图像的形状特征；
[0016]将所述第二特征变量输入至生成网络中的高分辨率卷积层，得到图像的细粒特征。
[0017]进一步地，所述低分辨率卷积层为分辨率42‑
322的卷积层；所述高分辨率卷积层为分辨率642‑
10242的卷积层。
[0018]进一步地，所述根据所述形状特征与所述细粒特征生成基准图像之后，还包括：
[0019]将所述原始超声图像与所述基准图像输入至分类网络，基于所述分类网络计算所述原始超声图像相较于所述基准图像的增量；
[0020]根据所述增量生成归因图。
[0021]进一步地，所述将所述原始超声图像与所述基准图像输入至分类网络，基于所述分类网络计算所述原始超声图像相较于所述基准图像的增量，包括；
[0022]将所述原始超声图像划分为若干个区域子图像；
[0023]分别将每个所述区域子图像与所述基准图像输入至分类网络，基于所述分类网络计算每个所述区域子图像对分别结果的预测分数相较于所述基准图像的第一贡献量；
[0024]获取所述基准图像中环境特征的第二贡献量；
[0025]根据所述第一贡献量与所述第二贡献量确定所述增量。
[0026]进一步地，所述根据所述增量生成归因图之后，还包括：
[0027]获取所述归因图中贡献量最高的目标子区域图像；
[0028]根据所述目标子区域图像确定所述基准图像的有效特征信息。
[0029]本申请还提供一种超声图像的基准图像的生成装置，包括：
[0030]配置信息模块，用于获取预配置的掩膜信息；
[0031]原始图像模块，用于获取原始超声图像；
[0032]图像处理模块，用于将所述原始超声图像与所述掩膜信息进行乘积处理，得到特征区域超声图像；
[0033]变量转换模块，用于将所述特征区域超声图像输入至深度学习网络，得到第一特征变量；将所述原始超声图像输入至深度学习网络，得到第二特征变量；
[0034]特征提取模块，用于根据所述第一特征变量得到图像的形状特征，根据所述第二特征变量得到图像的细粒特征；
[0035]基准图像模块，用于根据所述形状特征与所述细粒特征生成基准图像。
[0036]本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述超声图像的基准图像的生成方法的步骤。
[0037]本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述超声图像的基准图像的生成方法的步骤。
[0038]本申请例提供了一种通过将超声图像中的背景、噪声等信息剥离出来，从而为超声图像生成的基准图像的方法，首先获取原始超声图像以及获取预配置的掩膜信息，所述掩膜信息能够对原始超声图像中感兴趣的区域进行处理，可以从掩膜信息集合中随机选取一个作为预配置的掩膜信息，也可以通过配置掩膜信息的生成规则，随机生成一个掩膜信息作为预配置的掩膜信息，然后将所述原始超声图像与所述掩膜信息进行乘积处理，首先将所述掩膜信息变化为与所述原始超声图像相同的尺寸大小，再将所述原始超声图像与所
述掩膜信息进行乘积处理，得到特征区域超声图像，，将所述特征区域超声图像输入至深度学习网络，通过所述深度学习网络对所述特征区域超声图像进行特征提取，提取的特征为能够影响基准图像的特征，再将提取到的特征进行编码转化，得到第一特征变量，同样的，将所述原始超声图像输入至深度学习网络，得到第二特征变量，根据所述第一特征变量得到图像的形状特征，根据所述第二特征变量得到图像的细粒特征，所述形状特征为图像的低维度特征，所述细粒特征为图像的高维度特征，然后根据所述形状特征与所述细粒特征生成基准图像，最终生成的基准图像就是不包含有效特征，仅仅包含原始超声图像中的背景信息和噪声信息的环境特征，有着与原始超声图像相同的环境但不提供有效信息，接近于理想的基准图像，从而准确表示超声图像中除有效特征以外的信息，对AI决策的预测结果提供准确的基准图像以及准确的解释性的说明。
附图说明
[0039]图1为本申请超声图像的基准图像的生成方法的一实施例流程示意图；
[0040]图2为本申请计算所述原始超声图像相较于所述基准图像的增量的一实施例流程示意图；
[0041]图3为本申请超声图像的基准图像的生成装置的一实施例结构示意图；...

【技术保护点】

【技术特征摘要】
1.一种超声图像的基准图像的生成方法，其特征在于，包括：获取预配置的掩膜信息；获取原始超声图像；将所述原始超声图像与所述掩膜信息进行乘积处理，得到特征区域超声图像；将所述特征区域超声图像输入至深度学习网络，得到第一特征变量；将所述原始超声图像输入至深度学习网络，得到第二特征变量；根据所述第一特征变量得到图像的形状特征，根据所述第二特征变量得到图像的细粒特征；根据所述形状特征与所述细粒特征生成基准图像。2.根据权利要求1所述的超声图像的基准图像的生成方法，其特征在于，所述将所述特征区域超声图像输入至深度学习网络，得到第一特征变量；将所述原始超声图像输入至深度学习网络，得到第二特征变量，包括：将所述特征区域超声图像输入至深度学习网络，基于所述深度学习网络中的非线性映射网络和仿射变换对所述特征区域超声图像的潜在编码进行变换，得到第一特征变量；将所述原始超声图像输入至深度学习网络，基于所述深度学习网络中的非线性映射网络和仿射变换对所述原始超声图像的潜在编码进行变换，得到第二特征变量。3.根据权利要求1所述的超声图像的基准图像的生成方法，其特征在于，所述根据所述第一特征变量得到图像的形状特征，根据所述第二特征变量得到图像的细粒特征，包括：将所述第一特征变量输入至生成网络中的低分辨率卷积层，得到图像的形状特征；将所述第二特征变量输入至生成网络中的高分辨率卷积层，得到图像的细粒特征。4.根据权利要求3所述的超声图像的基准图像的生成方法，其特征在于，所述低分辨率卷积层为分辨率42‑
322的卷积层；所述高分辨率卷积层为分辨率642‑
10242的卷积层。5.根据权利要求1所述的超声图像的基准图像的生成方法，其特征在于，所述根据所述形状特征与所述细粒特征生成基准图像之后，还包括：将所述原始超声图像与所述基准图像输入至分类网络，基于所述分类网络计算所述原始超...

【专利技术属性】
技术研发人员：郑喜民，胡浩楠，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：