本发明专利技术公开了一种融合小波特征的深度学习超声图像纹理诊断方法及系统，该方法对原始超声图像的感兴趣区域进行预处理；将卷积神经网络作为主干网络，使可学习的小波分支与主干网络并联，得到深度学习超声图像纹理诊断模型；将预处理后的超声图像输入深度学习超声图像纹理诊断模型，训练深度学习超声图像纹理诊断模型；获取待处理的超声图像并预处理后，输入训练后的深度学习超声图像纹理诊断模型，得到诊断结果。采用本技术方案，利用深度学习超声图像纹理诊断模型学习低频与高频、空间域与频域的信息，以可解释的方式实现高精度诊断。以可解释的方式实现高精度诊断。以可解释的方式实现高精度诊断。
【技术实现步骤摘要】
融合小波特征的深度学习超声图像纹理诊断方法及系统
[0001]本专利技术属于深度学习
，涉及一种融合小波特征的深度学习超声图像纹理诊断方法及系统。
技术介绍
[0002]随着基于深度学习的计算机辅助诊断方法(Computer
‑
aided diagnosis,CAD)在医学领域不断取得显著成果，不少学者将该方法用于超声图像的处理、诊断任务。
[0003]一些疾病的诊断取决于超声图像中纹理的判断与分析。目前存在的针对此类疾病的相关研究主要存在以下几个弊端：
[0004](1)对人工依赖性强
[0005]目前存在的针对此类疾病的CAD方法大都基于传统特征工程，需要手动进行特征的提取与选取，对人工存在很强的依赖。
[0006](2)深度学习方法缺乏可解释性
[0007]完全基于深度学习的纹理分析方法，存在特征、决策缺乏可解释性的弊端，而此类疾病的诊断任务属于重视透明度和可靠性的医疗保健领域，对可解释性的需求是非常高的。
[0008](3)深度学习方法在纹理分析任务中表现欠佳
[0009]此类疾病的超声诊断主要基于纹理。尽管深度学习在纹理分析任务中取得了成功，但研究表明，在此任务上传统特征的表现更好或与深度学习方法相当，主要是这几方面的原因：
[0010]1)深度学习模型无法模拟纹理分析所必需的区域值的分布；
[0011]2)传统纹理分析方法在频域中进行研究，而CNN(卷积神经网络)在空间域处理图像；
[0012]3)从多分辨率分析的角度来说，传统CNN对输入重复进行卷积和池化，这本质上相当于只使用多分辨率分析的低频信息，而完全舍弃了高频信息。
[0013]4)高精度的深度学习方法需要大量训练数据
[0014]由于上述问题，在处理具有固有斑点噪声的超声图像时，完全基于深度学习方法的高精度诊断框架需要大量的样本作训练集，这对于临床的数据提取来说存在很大困难。
技术实现思路
[0015]本专利技术的目的在于提供一种融合小波特征的深度学习超声图像纹理诊断方法及系统，以解决传统方法对人工的强依赖，深度学习方法缺乏可解释性且在纹理分析任务中表现欠佳的问题，并提高诊断精度。
[0016]为了达到上述目的，本专利技术的基础方案为：一种融合小波特征的深度学习超声图像纹理诊断方法，包括如下步骤：
[0017]采集原始超声图像的感兴趣区域并进行预处理；
[0018]将卷积神经网络作为主干网络，使可学习的小波分支与主干网络并联，得到深度学习超声图像纹理诊断模型；
[0019]将预处理后的超声图像输入深度学习超声图像纹理诊断模型，训练深度学习超声图像纹理诊断模型；
[0020]获取待处理的超声图像并预处理后，输入训练后的深度学习超声图像纹理诊断模型，得到诊断结果。
[0021]本基础方案的工作原理和有益效果在于：本技术方案提出一种融合小波特征的深度学习超声图像纹理诊断方法，将可学习的小波分支以并联的方式连接到卷积神经网络中，充分学习频域和空间域的特征，再利用两个域的特征进行超声图像纹理分类，提高了诊断精度。此技术方案将神经网络和传统纹理特征集成到深度学习架构中，为临床诊断提供可解释的科学建议，方法中集成的小波变换是可学习的，在回传中更新滤波器的参数，无需人工手动进行特征的提取与选取，便于使用。
[0022]进一步，对原始超声图像的感兴趣区域进行如下预处理：
[0023]训练时，对原始超声图像的感兴趣区域进行水平翻转、仿射变换、旋转，以平衡不同类别的数据量，防止过拟合。
[0024]训练和诊断时，对感兴趣区域进行直方图均衡的图像增强操作，避免超声图像亮度对诊断结果造成影响。并将卷积神经网络的输入通道设置为1，利于使用。
[0025]进一步，所述卷积神经网络包括依次连接的输入层，卷积层，批归一化层，激活层，最大池化层，多个layer层，平均池化层和全连接层。
[0026]针对该超声纹理，较浅的网络效果更佳，例如选取网络深度为18的ResNet，可使网络充分学习图像在空间域的特征。
[0027]进一步，将所述可学习的小波分支以并联的方式连接到主干网络中，小波分支包括多个小波模块，第一个小波模块的输入端与卷积神经网络特定卷积层的输出端连接，后一个小波模块的输入端与前一个小波模块近似系数的输出端连接；
[0028]最后一个小波模块的输出端与之前所有小波模块的细节系数输出端通过拼接模块与平均池化层的输出端连接，拼接结果输入到全连接层中进行纹理二分类，得到诊断结果。
[0029]进一步，所述预处理后的超声图像自卷积神经网络的输入层输入，再经由若干卷积层，得到判别性表示。将判别性表示分别输入到可学习的小波分支以及主干网络后续部分；
[0030]所述小波分支中的一个小波模块包含一个水平Lifgint Scheme模块、两个垂直Lifgint Scheme模块，每个Lifting Scheme模块内采用可学习的高通滤波器、低通滤波器实现信号的分割，同时采用反向传播(BP)网络实现可学习的更新器U和预测器P，将大小为C
×
H
×
W的超声图像判别性表示输入水平Lifgint Scheme模块的高通滤波器和低通滤波器；
[0031]所述高通滤波器的输出特征经更新器U与低通滤波器的输出特征进行加法操作，得到大小为C
×
H
×
W/2的低频分量L并输入第一个垂直Lifting Scheme模块，得到大小为C
×
H/2
×
W/2的LH和LL；
[0032]使L经过预测器P后与高通滤波器的输出特征进行减法操作，输出C
×
H
×
W/2的高频分量H并输入第二个垂直Lifting Scheme模块，得到大小为C
×
H/2
×
W/2的HH和HL；
[0033]其中，LL即小波变换的近似值c，其余3个分量是细节系数d，分别表示不同方向的边缘特征；
[0034]将上一个小波模块输出的LL作为下一个小波模块的输入，各小波模块组成的模块群即小波分支，该分支的输出为f
WT
。
[0035]Lifing Scheme模块的Split阶段采用类似离散小波变换的水平、垂直滤波方法对信号进行分解，消除了常用的惰性小波分解方法对输入尺寸的限制。
[0036]进一步，训练深度学习超声图像纹理诊断模型的方法如下：
[0037]在小波模块内的Lifting Scheme模块中的Split阶段，针对高通滤波器和低通滤波器，设置如下的损失函数：
[0038]Loss
Split
＝Loss
Low
+Loss
High
+Loss
Reverse
+Loss
Sym
[0039本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种融合小波特征的深度学习超声图像纹理诊断方法，其特征在于，包括如下步骤：采集原始超声图像的感兴趣区域并进行预处理；将卷积神经网络作为主干网络，使可学习的小波分支与主干网络并联，得到深度学习超声图像纹理诊断模型；将预处理后的超声图像输入深度学习超声图像纹理诊断模型，训练深度学习超声图像纹理诊断模型；获取待处理的超声图像并预处理后，输入训练后的深度学习超声图像纹理诊断模型，得到诊断结果。2.如权利要求1所述的融合小波特征的深度学习超声图像纹理诊断方法，其特征在于，对原始超声图像的感兴趣区域进行如下预处理：训练时，对原始超声图像的感兴趣区域进行水平翻转、仿射变换、旋转，训练和诊断时，对感兴趣区域进行直方图均衡的图像增强操作，并将卷积神经网络的输入通道设置为1。3.如权利要求1所述的融合小波特征的深度学习超声图像纹理诊断方法，其特征在于，所述卷积神经网络包括依次连接的输入层，卷积层，批归一化层，激活层，最大池化层，多个layer层，平均池化层和全连接层。4.如权利要求3所述的融合小波特征的深度学习超声图像纹理诊断方法，其特征在于，将所述可学习的小波分支以并联的方式连接到主干网络中，小波分支包括多个小波模块，第一个小波模块的输入端与卷积神经网络特定卷积层的输出端连接，后一个小波模块的输入端与前一个小波模块近似系数的输出端连接；最后一个小波模块的输出端与之前所有小波模块的细节系数输出端通过拼接模块与平均池化层的输出端连接，拼接结果输入到全连接层中进行纹理二分类，得到诊断结果。5.如权利要求4所述的融合小波特征的深度学习超声图像纹理诊断方法，其特征在于，所述预处理后的超声图像自卷积神经网络的输入层输入，再经由若干卷积层，得到判别性表示，将判别性表示分别输入到可学习的小波分支以及主干网络后续部分；所述小波分支中的一个小波模块包含一个水平Lifgint Scheme模块、两个垂直Lifgint Scheme模块，每个Lifting Scheme模块内采用可学习的高通滤波器、低通滤波器实现信号的分割，同时采用反向传播网络实现可学习的更新器U和预测器P，将大小为C
×
H
×
W的超声图像判别性表示输入水平Lifgint Scheme模块的高通滤波器和低通滤波器；所述高通滤波器的输出特征经更新器U与低通滤波器的输出特征进行加法操作，得到大小为C
×
H
×
W/2的低频分量L并输入第一个垂直Lifting Scheme模块，得到大小为C
×
H/2
×
W/2的LH和LL；使L经过预测器P后与高通滤波器的输出特征进行...
【专利技术属性】
技术研发人员：何静媛，余夙曦，王翊，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。