一种基于目标检测的超声图像工作区域检测方法技术

本发明专利技术涉及一种基于目标检测的超声图像工作区域检测方法，包括：获取超声图像；通过目标检测网络提取所述超声图像的工作区域，所述目标检测网络包括依次连接的卷积神经网络XDNetV2

A method of detecting working area of ultrasonic image based on target detection

【技术实现步骤摘要】
一种基于目标检测的超声图像工作区域检测方法


[0001]本专利技术涉及医学图像处理
，特别是涉及一种基于目标检测的超声图像工作区域检测方法。

技术介绍

[0002]一张超声图像上，除了最主要的工作区域，即超声波影像外，还有其他的一些信息；其中包括一些中性的信息，比如超声机品牌、型号、探头频率等，也包括一些敏感信息，比如医院和病人的信息。在使用超声影像辅助诊断软件时，为防止信息泄露，需要对图像进行脱敏。
[0003]然而，人工脱敏的速度慢，操作繁琐，也会浪费医生时间，延长诊断时间，因此，必须通过算法自动脱敏。
[0004]并且，对于软件中后续的分析算法而言，工作区域以外的图像，都是无意义的，徒增计算量和计算时间。提取工作区域并仅对该区域进行分析，能大大提升效率。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种基于目标检测的超声图像工作区域检测方法，通过目标检测网络能够有效检测出超声图像的工作区域。
[0006]本专利技术解决其技术问题所采用的技术方案是：提供一种基于目标检测的超声图像工作区域检测方法，包括：
[0007]获取超声图像；
[0008]通过目标检测网络提取所述超声图像的工作区域，所述目标检测网络包括依次连接的卷积神经网络XDNetV2
‑
D
‑
WA、特征金字塔网络以及两个并行的分类网络和回归网络，所述卷积神经网络XDNetV2
‑
D
‑
WA用于提取超声图像的特征，所述特征金字塔网络用于对提取出的特征进行强化与融合，所述分类网络用于根据强化与融合后的特征识别出超声图像的工作区域，所述回归网络用于对超声图像的工作区域进行标识。
[0009]所述卷积神经网络XDNetV2
‑
D
‑
WA包括依次连接的第一特征单元、第二特征单元、第三特征单元、2个第四特征单元和2个第五特征单元，其中，所述第三特征单元包括依次连接的第二特征单元和第六特征单元，所述第四特征单元包括依次连接的第三特征单元和第七特征单元。
[0010]所述第一特征单元包括依次连接的深度可分离卷积层、批归一化层、激活层、卷积层、激活层、层归一化层、注意力模块和相加层，并且第2个激活层的输出和相加层连接。
[0011]所述第二特征单元包括依次连接的卷积层、激活层、层归一化层、注意力模块、相加层、层归一化层、注意力模块和相加层，并且激活层的输出和第1个相加层连接，第1个相加层的输出和第2个相加层连接。
[0012]所述第五特征单元包括依次连接的卷积层、激活层、层归一化层、注意力模块和相加层，并且激活层的输出和相加层连接。
[0013]所述第六特征单元包括依次连接的激活层、批归一化层、深度可分离卷积层、激活层、批归一化层、深度可分离卷积层、相加层、层归一化层、注意力模块和相加层，并且第二特征单元的输出和第1个相加层连接，第1个相加层的输出和第2个相加层连接。
[0014]所述第七特征单元包括依次连接的激活层、批归一化层、深度可分离卷积层、激活层、批归一化层、深度可分离卷积层和相加层，并且第三特征单元的输出和相加层连接。
[0015]所述注意力模块包括相对位置编码层和3个深度可分离卷积层，其中，第2个深度可分离层与第3个深度可分离层进行点乘得到第一点乘结果，第3个深度可分离层和相对位置编码层进行点乘得到第二点乘结果，所述第一点乘结果和第二点乘结果相加后与注意力激活层连接，激活层的输出和第1个深度可分离层进行点乘后与重塑层连接。
[0016]有益效果
[0017]由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术通过卷积神经网络能够对超声临床图像这类敏感数据脱敏，保护隐私；本专利技术能够摆脱人工脱敏的手动操作，高效快速，省时省力；本专利技术构建的卷积神经网络XDNetV2
‑
D
‑
WA网络的开发属于小样本训练，轻量化的网络能够有效避免小样本训练的过拟合问题，提升泛化能力，由于工作区域占整张超声图像较大面积，卷积神经网络XDNetV2
‑
D
‑
WA强化了对高维、宏观的特征提取；本专利技术不受超声机品牌、型号的限制，泛用性更强。
附图说明
[0018]图1是本专利技术实施方式的目标检测网络处理流程图；
[0019]图2是本专利技术实施方式的卷积神经网络结构示意图；
[0020]图3是本专利技术实施方式的注意力模块结构示意图；
[0021]图4是本专利技术实施方式的实际检测结果图。
具体实施方式
[0022]下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0023]本专利技术的实施方式涉及一种基于目标检测的超声图像工作区域检测方法，包括：
[0024]获取超声图像；
[0025]通过目标检测网络提取所述超声图像的工作区域，所述目标检测网络包括依次连接的卷积神经网络XDNetV2
‑
D
‑
WA、特征金字塔网络以及两个并行的分类网络和回归网络，所述卷积神经网络XDNetV2
‑
D
‑
WA用于提取超声图像的特征，所述特征金字塔网络用于对提取出的特征进行强化与融合，所述分类网络用于根据强化与融合后的特征识别出超声图像的工作区域，所述回归网络用于对超声图像的工作区域进行标识。本实施方式的目标检测网络详见图1。
[0026]以下对本实施方式进行详细介绍：
[0027]1、训练数据构成
[0028]上万张超声图像，前期由人工手动标记工作区域，即矩形区域顶点坐标，和区域类
型，本实施方式类型只有一类，即工作区域，矩形区域以外则为背景。
[0029]2、数据预处理(Data Preprocessing)
[0030]所有图像在输入卷积神经网络时都会被调整大小到(512，512，3)，此处的3表示通道数，即数据是彩色图像；随后进行归一化。
[0031]3、训练数据增强(DataAugmentation)
[0032]对数据进行增强处理，提升算法鲁棒性。
[0033]使用的数据增强方法包括：随机横向平移(random width shift)、随机纵向平移(random height shift)、随机亮度偏移(random brightness shift)、随机通道平移(random channel shift)、随机横向翻转(random width flip)、随机纵向翻转(random height flip)。
[0034]4、主干网络结构(NetworkArchitecture)...

【技术保护点】

【技术特征摘要】
1.一种基于目标检测的超声图像工作区域检测方法，其特征在于，包括：获取超声图像；通过目标检测网络提取所述超声图像的工作区域，所述目标检测网络包括依次连接的卷积神经网络XDNetV2
‑
D
‑
WA、特征金字塔网络以及两个并行的分类网络和回归网络，所述卷积神经网络XDNetV2
‑
D
‑
WA用于提取超声图像的特征，所述特征金字塔网络用于对提取出的特征进行强化与融合，所述分类网络用于根据强化与融合后的特征识别出超声图像的工作区域，所述回归网络用于对超声图像的工作区域进行标识。2.根据权利要求1所述的基于目标检测的超声图像工作区域检测方法，其特征在于，所述卷积神经网络XDNetV2
‑
D
‑
WA包括依次连接的第一特征单元、第二特征单元、第三特征单元、2个第四特征单元和2个第五特征单元，其中，所述第三特征单元包括依次连接的第二特征单元和第六特征单元，所述第四特征单元包括依次连接的第三特征单元和第七特征单元。3.根据权利要求2所述的基于目标检测的超声图像工作区域检测方法，其特征在于，所述第一特征单元包括依次连接的深度可分离卷积层、批归一化层、激活层、卷积层、激活层、层归一化层、注意力模块和相加层，并且第2个激活层的输出和相加层连接。4.根据权利要求2所述的基于目标检测的超声图像工作区域检测方法，其特征在于，所述第二特征单元包括依次...

【专利技术属性】
技术研发人员：何敏亮，
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：