基于前列腺超声的辅助检查诊断系统、电子设备和存储介质技术方案

本发明专利技术公开基于前列腺经腹超声的辅助检查诊断系统、电子设备和存储介质，系统，包括：预处理模块，用于输入超声影像，并对超声影像进行预处理工序；分割模块，包括分割模型；用于提取超声影像中的前列腺区域；特征提取模块，包括特征提取模型，用于提取经过分割模块处理后的前列腺区域的超声影像的图像特征数据；分类识别模块，包括若干个与前列腺情况类别一一对应的分类模型；用于对特征提取模块提取的图像特征数据进行识别，获取相应部位的病灶概率；训练模块。本发明专利技术利用超声影像替代核磁共振成像，避免了核磁成像的复杂操作与成本，实现了降本增效。现了降本增效。现了降本增效。

【技术实现步骤摘要】
基于前列腺超声的辅助检查诊断系统、电子设备和存储介质


[0001]本专利技术涉及深度学习图像处理领域，具体涉及基于前列腺超声的辅助检查诊断系统、电子设备和存储介质。

技术介绍

[0002]前列腺增生及前列腺癌变是男性高发的前列腺相关病变，其中前列腺癌是男性致死亡率排前三的癌症，因此对前列腺相关疾病的诊断对男性健康具有重大意义。前列腺超声检查具有快速、简单的特点，可以在前列腺病变初筛、早筛中发挥重要作用。目前，前列腺经腹超声仅限于辅助检查，且需要经验丰富的医师才能获取有诊断价值的信息，限制了前列腺超声在临床上的应用。
[0003]随着深度学习的发展，其在计算机辅助诊断方面取得了许多进展，利用深度学习结合医师经验及既往信息，计算机辅助诊断可以一定程度上发挥辅助的功能，减少医师的工作量，并提升低年资医生的诊断水准。目前，针对前列腺的计算机辅助诊断技术，主要采用核磁共振成像与传统算法或深度学习结合。核磁共振成像的设备及实施成本都相对高昂。此外，由于核磁共振的参数及信息较多，对医师的诊断水平的要求也比其他诊断手段高。综上，对于开展大规模诊断、筛查，现有技术仍存在缺点。
[0004]相较核磁共振成像，超声检查的各项成本都较低，适合大规模使用。但是，超声影像的成像细节和信息量较少，对医师的水平仍有较高要求，因此需要通过与深度学习技术结合，以减少对医师经验的要求。当前，市面上并未有前列腺经腹超声的辅助检查诊断系统，发展该系统对于解决前述问题具有重要意义。

技术实现思路

[0005]本专利技术为了解决前列腺经腹超声影像标注的技术问题，提供一种基于前列腺经腹超声的辅助检查诊断系统、电子设备和存储介质。
[0006]本专利技术采用如下的技术方案，本专利技术提供一种基于前列腺经腹超声的辅助检查诊断系统，包括：
[0007]预处理模块，用于输入超声影像，并对超声影像进行预处理工序；
[0008]分割模块，包括分割模型；用于提取超声影像中的前列腺区域；
[0009]特征提取模块，包括特征提取模型，用于提取经过分割模块处理后的前列腺区域的超声影像的图像特征数据；
[0010]分类识别模块，包括若干个与前列腺情况类别一一对应的分类模型；用于对特征提取模块提取的图像特征数据进行识别，获取相应部位的病灶概率；
[0011]训练模块，用于接收海量前列腺经腹超声影像及医师标注前列腺区域数据训练分割模型，用于接收前列腺经腹超声影像、医师标注的前列腺区域及前列腺情况类别训练特征提取模型及分类识别模型；
[0012]所述分割模型采用卷积神经网络模型，输入为超声影像，输出为超声影像中的前
列腺区域；
[0013]所述特征提取模型采用卷积神经网络模型，输入为经过分割模块处理后的前列腺区域的超声影像，输出为超声影像的图像特征数据；
[0014]所述分类模型采用卷积神经网络模型，输入为超声影像的图像特征数据，输出为前列腺情况类别；所述特征提取模块所提取的图像特征数据依据前列腺情况类别输入分类识别模块中对应的分类模型，得到前列腺情况类别相应的概率作为输出结果。
[0015]优选的，所述预处理工序包括裁剪、亮度均衡、归一化处理。
[0016]优选的，特征提取模型的模型结构为RegNet、ResNet、Inception中的一种。
[0017]优选的，分类识别模型由Dropout层、全连接层、Sigmoid激活函数依次层叠组成
[0018]优选的，所述分割模型由含N个下采样模块的编码器及含N个上采样模块的解码器组成，每个下采样模块输出的特征会与上采样模块输出的特征融合，并输入下级的上采样模块；解码器的最后为由一个卷积层及Sigmoid激活函数构成的解码模块。
[0019]优选的，所述分割模型采用高斯分布函数进行初始化，训练的损失函数L
Seg
公式如下所示：
[0020][0021][0022][0023]其中，Y为真实结果，为预测结果，p为像素数，ε为1.0，α为1.0。
[0024]优选的，所述下采样模块依次由最大池化层、卷积层、批量归一化层、ReLu激活函数层、卷积层、批量归一化层、ReLu激活函数层构成；上采样模块依次由双线性放大层、卷积层、批量归一化层、ReLu激活函数层、卷积层、批量归一化层、ReLu激活函数构成。
[0025]优选的，所述分类模型由Dropout层、全连接层、Sigmoid激活函数依次层叠组成；所述分类模型采用高斯分布函数进行初始化，所述分类模型的损失函数L
Cls
公式如下：
[0026][0027]其中，Y`为真实结果，为预测结果。
[0028]本专利技术的再一个方面，提供了一种电子设备，包括：存储器、处理器、总线及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本申请的前列腺经腹超声的辅助检查诊断系统。
[0029]本专利技术的又一个方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本申请的前列腺经腹超声的辅助检查诊断系统。
[0030]本专利技术的有益效果如下所示：
[0031]1.本专利技术利用超声影像替代核磁共振成像，避免了核磁成像的复杂操作与成本，实现了降本增效。
[0032]2.针对超声影像相比核磁共振成像存在图像质量较低，信息较少的问题，本专利技术
利用分割模块与特征提取模块，得到限制区域的特征，减少了无效信息的干扰。
[0033]3.本专利技术的分类识别模块包括若干个与前列腺情况类别一一对应的分类模型，采用单分类模型，避免了数据样本不平衡对识别效果的问题。
[0034]4.本专利技术设计训练模块，具有可扩展性，当后续新类别的增加，不需要变动已有模型，不会引起已有类别的模型的性能变化，使得本系统能够充分满足新的辅助诊断需求。
附图说明
[0035]图1为本专利技术实施例的应用场景示意图；
[0036]图2为本专利技术实施例的系统示意图；
[0037]图3为本专利技术实施例的电子设备示意图；
[0038]图4为本专利技术实施例的分割模型的神经网络结构图；
[0039]图5为本专利技术分类模型的神经网络结构图。
[0040]图6为本专利技术分类模型激活热力图，高亮为模型分类时具有最大的影响的区域，白框为基于分割模型结果提取的区域，白色线条围成的不规则形状区域为前列腺组织(a)分类模型在正常前列腺及前列腺癌的超声影像的激活热力图(b)分类模型在含有导尿管的前列腺癌的激活热力图。
具体实施方式
[0041]下面结合附图和具体实施例，对本专利技术作进一步的详细说明。
[0042]参照图1应用场景示意图，本专利技术实施例提供的系统有两个应用场景，模型训练110及辅助检查诊断120，模型训练110训练辅助检查诊断120中所使用的深度学习模型的参数；辅助检查诊断120利用所训练模型对输入处理，输出辅助检查诊断结果，具体地：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于前列腺经腹超声的辅助检查诊断系统，其特征在于，包括：预处理模块，用于输入超声影像，并对超声影像进行预处理工序；分割模块，包括分割模型；用于提取超声影像中的前列腺区域；特征提取模块，包括特征提取模型，用于提取经过分割模块处理后的前列腺区域的超声影像的图像特征数据；分类识别模块，包括若干个与前列腺情况类别一一对应的分类模型；用于对特征提取模块提取的图像特征数据进行识别，获取相应部位的病灶概率；训练模块，用于接收海量前列腺经腹超声影像及医师标注前列腺区域数据训练分割模型，用于接收前列腺经腹超声影像、医师标注的前列腺区域及前列腺情况类别训练特征提取模型及分类识别模型；所述分割模型采用卷积神经网络模型，输入为超声影像，输出为超声影像中的前列腺区域；所述特征提取模型采用卷积神经网络模型，输入为经过分割模块处理后的前列腺区域的超声影像，输出为超声影像的图像特征数据；所述分类模型采用卷积神经网络模型，输入为超声影像的图像特征数据，输出为前列腺情况类别；所述特征提取模块所提取的图像特征数据依据前列腺情况类别输入分类识别模块中对应的分类模型，得到前列腺情况类别相应的概率作为输出结果。2.根据权利要求1所述的基于前列腺经腹超声的辅助检查诊断系统，其特征在于：所述预处理工序包括裁剪、亮度均衡、归一化处理。3.根据权利要求1所述的基于前列腺经腹超声的辅助检查诊断系统，其特征在于：特征提取模型的模型结构为RegNet、ResNet、Inception中的一种。4.根据权利要求1所述的基于前列腺经腹超声的辅助检查诊断系统，其特征在于：分类识别模型由Dropout层、全连接层、Sigmoid激活函数依次层叠组成。5.根据权利要求1所述的基于前列腺经腹超声的辅助检查诊断系统，其特征在于：所述...

【专利技术属性】
技术研发人员：李秀明，关奕，李卓儒，高锦鸿，李金禧，李永情，林美花，
申请(专利权)人：广西医科大学附属武鸣医院广西医科大学武鸣临床医学院，南宁市武鸣区人民医院，
类型：发明
国别省市：