基于卷积神经网络的胎儿超声关键切面识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于卷积神经网络的胎儿超声关键切面识别方法及装置，其中该方法包括：获取包括有胎儿结构切面影像的原始超声图像数据；根据所述原始超声图像数据,确定目标超声图像数据；将所述目标超声图像数据输入训练好的分类卷积神经网络模型，得到切面类型分类结果；所述分类卷积神经网络模型为通过包括有多个标注有切面类型的训练超声图像数据的训练数据集训练得到。可见，本发明专利技术基于训练好的神经网络模型对超声图像数据中的切面信息进行准确地分类，有利于帮助医生快速对生物结构切面进行分类判断，提高检查效率，减少误诊漏诊率，同时还能促进医疗资源的有效利用，具有较大的实用价值。有较大的实用价值。有较大的实用价值。

Identification method and device of fetal ultrasound key sections based on convolution neural network

【技术实现步骤摘要】
基于卷积神经网络的胎儿超声关键切面识别方法及装置


[0001]本专利技术涉及医疗影像处理
，尤其涉及一种基于卷积神经网络的胎儿超声关键切面识别方法及装置。

技术介绍

[0002]随着医疗影像技术的发展，现有的医疗领域在结合生物结构切面信息进行诊断治疗时，开始越来越多地将医疗影像尤其是超声图像引入到诊断治疗过程中，随之而来的，对于超声图像中生物结构切面的类型识别的效率要求也越来越重。现有技术中一般通过医师的肉眼识别生物结构切面的类型，没有考虑到引入神经网络技术对超声图像数据中的生物结构切面的类型实现自动识别，因此现有技术的识别效率低，容易误诊、漏诊。可见，现有技术存在缺陷，亟待解决。

技术实现思路

[0003]本专利技术所要解决的技术问题在于，提供一种基于卷积神经网络的胎儿超声关键切面识别方法及装置，可以基于训练好的神经网络模型对超声图像数据中的切面信息进行准确地分类，有利于帮助医生快速对生物结构切面进行分类判断，提高检查效率，减少误诊漏诊率，同时还能促进医疗资源的有效利用，具有较大的实用价值。
[0004]为了解决上述技术问题，本专利技术第一方面公开了一种基于卷积神经网络的胎儿超声关键切面识别方法，所述方法包括：
[0005]获取包括有胎儿结构切面影像的原始超声图像数据；
[0006]根据所述原始超声图像数据,确定目标超声图像数据；
[0007]将所述目标超声图像数据输入训练好的分类卷积神经网络模型，得到切面类型分类结果；所述分类卷积神经网络模型为通过包括有多个标注有切面类型的训练超声图像数据的训练数据集训练得到。
[0008]作为一种可选的实施方式，在本专利技术第一方面中，所述根据所述原始超声图像数据,确定目标超声图像数据，包括：
[0009]确定所述原始超声图像数据中的敏感信息；
[0010]去除所述敏感信息，得到目标超声图像数据。
[0011]作为一种可选的实施方式，在本专利技术第一方面中，所述确定出所述原始超声图像数据中的敏感信息，包括：
[0012]确定所述原始超声图像数据的拍摄目的；
[0013]根据所述拍摄目的，确定出所述原始超声图像数据中与所述拍摄目的无关的无关数据；
[0014]将所述无关数据确定为所述原始超声图像数据中的敏感信息；
[0015]和/或，
[0016]确定出所述原始超声图像数据中的隐私数据；所述隐私数据包括隐私疾病信息、
隐私部位信息和病患个人信息中的至少一种；
[0017]将所述隐私数据确定为所述原始超声图像数据中的敏感信息。
[0018]作为一种可选的实施方式，在本专利技术第一方面中，所述分类卷积神经网络模型为在深度学习框架Pytorch下进行开发与测试的卷积神经网络分类模型。
[0019]作为一种可选的实施方式，在本专利技术第一方面中，所述分类卷积神经网络模型，根据以下步骤被训练得到包括：
[0020]确定包括有多个标注有切面类型的训练超声图像数据的训练数据集和训练分类模型；所述训练分类模型包括所述分类卷积神经网络模型和损失函数计算层；
[0021]将所述训练数据集中的所述训练超声图像数据和所述切面类型的标注以成对标签的形式输入至所述训练分类模型进行训练，并在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛，以得到训练好的所述分类卷积神经网络模型。
[0022]作为一种可选的实施方式，在本专利技术第一方面中，所述损失函数计算层的损失函数为交叉熵代价函数。
[0023]作为一种可选的实施方式，在本专利技术第一方面中，所述在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛，包括：
[0024]使用随机梯度下降算法优化所述训练网络模型的模型参数，总计迭代1000轮，初始学习率为0.002，每500轮下降一次学习率，以使所述损失函数层计算出的损失函数值不断下降以使得所述训练网络模型达到最优。
[0025]本专利技术第二方面公开了一种基于卷积神经网络的胎儿超声关键切面识别装置，其包括：
[0026]获取模块，用于获取包括有胎儿结构切面影像的原始超声图像数据；
[0027]确定模块，用于根据所述原始超声图像数据,确定目标超声图像数据；
[0028]识别模块，用于将所述目标超声图像数据输入训练好的分类卷积神经网络模型，得到切面类型分类结果；所述分类卷积神经网络模型为通过包括有多个标注有切面类型的训练超声图像数据的训练数据集训练得到。
[0029]作为一种可选的实施方式，在本专利技术第二方面中，所述确定模块根据所述原始超声图像数据,确定目标超声图像数据的具体方式，包括：
[0030]确定所述原始超声图像数据中的敏感信息；
[0031]去除所述敏感信息，得到目标超声图像数据。
[0032]作为一种可选的实施方式，在本专利技术第二方面中，所述确定模块确定出所述原始超声图像数据中的敏感信息的具体方式，包括：
[0033]确定所述原始超声图像数据的拍摄目的；
[0034]根据所述拍摄目的，确定出所述原始超声图像数据中与所述拍摄目的无关的无关数据；
[0035]将所述无关数据确定为所述原始超声图像数据中的敏感信息；
[0036]和/或，
[0037]确定出所述原始超声图像数据中的隐私数据；所述隐私数据包括隐私疾病信息、
隐私部位信息和病患个人信息中的至少一种；
[0038]将所述隐私数据确定为所述原始超声图像数据中的敏感信息。
[0039]作为一种可选的实施方式，在本专利技术第二方面中，所述分类卷积神经网络模型为在深度学习框架Pytorch下进行开发与测试的卷积神经网络分类模型。
[0040]作为一种可选的实施方式，在本专利技术第二方面中，所述装置还包括：训练模块，用于执行以下步骤训练得到所述分类卷积神经网络模型：
[0041]确定包括有多个标注有切面类型的训练超声图像数据的训练数据集和训练分类模型；所述训练分类模型包括所述分类卷积神经网络模型和损失函数计算层；
[0042]将所述训练数据集中的所述训练超声图像数据和所述切面类型的标注以成对标签的形式输入至所述训练分类模型进行训练，并在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛，以得到训练好的所述分类卷积神经网络模型。
[0043]作为一种可选的实施方式，在本专利技术第二方面中，所述损失函数计算层的损失函数为交叉熵代价函数。
[0044]作为一种可选的实施方式，在本专利技术第二方面中，所述训练模块在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛的具体方式，包括：
[0045]使用随机梯度下降算法优化所述训练网络模型的模型参数，总计迭代1000轮，初始学习率为0.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述方法包括：获取包括有胎儿结构切面影像的原始超声图像数据；根据所述原始超声图像数据,确定目标超声图像数据；将所述目标超声图像数据输入训练好的分类卷积神经网络模型，得到切面类型分类结果；所述分类卷积神经网络模型为通过包括有多个标注有切面类型的训练超声图像数据的训练数据集训练得到。2.根据权利要求1所述的基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述根据所述原始超声图像数据,确定目标超声图像数据，包括：确定所述原始超声图像数据中的敏感信息；去除所述敏感信息，得到目标超声图像数据。3.根据权利要求2所述的基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述确定出所述原始超声图像数据中的敏感信息，包括：确定所述原始超声图像数据的拍摄目的；根据所述拍摄目的，确定出所述原始超声图像数据中与所述拍摄目的无关的无关数据；将所述无关数据确定为所述原始超声图像数据中的敏感信息；和/或，确定出所述原始超声图像数据中的隐私数据；所述隐私数据包括隐私疾病信息、隐私部位信息和病患个人信息中的至少一种；将所述隐私数据确定为所述原始超声图像数据中的敏感信息。4.根据权利要求1所述的基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述分类卷积神经网络模型为在深度学习框架Pytorch下进行开发与测试的卷积神经网络分类模型。5.根据权利要求1所述的基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述分类卷积神经网络模型，根据以下步骤被训练得到：确定包括有多个标注有切面类型的训练超声图像数据的训练数据集和训练分类模型；所述训练分类模型包括所述分类卷积神经网络模型和损失函数计算层；将所述训练数据集中的所述训练超声图像数据和所述切面类型的标注以成对标签的形式输入至所述训练分类模型进行训练，...

【专利技术属性】
技术研发人员：谢红宁，雷婷，
申请(专利权)人：中山大学附属第一医院，
类型：发明
国别省市：