本发明专利技术提供一种基于深度学习的静脉石检测方法及装置，该方法包括：获取标注有静脉石区域的图像样本；将所述图像样本输入至预设的深度学习网络模型进行训练，得到最优训练权重，基于所述最优训练权重以及所述深度学习网络模型，得到静脉石图像检测网络模型；将待识别超声图像输入至所述静脉石图像检测网络模型，得到标注有静脉石信息的图像；其中，所述静脉石图像检测网络模型，包括：主干特征提取部分、加强特征融合部分和目标检测输出部分。本发明专利技术可以解决静脉畸形中静脉石难以识别的技术问题。术问题。术问题。
【技术实现步骤摘要】
基于深度学习的静脉石检测方法及装置
[0001]本专利技术涉及图像识别
，具体涉及一种基于深度学习的静脉石检测方法及装置。
技术介绍
[0002]判断静脉畸形一般是通过对目标对象的灰度超声图像以及挤压前和挤压后的彩色血流超声图像进行识别判断，但是超声图像特征不易分辨、纹理丰富、累及面积广、边界模糊、彩色血流超声图像中常产生伪影等因素引起的检测和识别困难，影响诊断结果。静脉石是静脉畸形灰阶超声图像中重要的诊断特征，从静脉畸形的灰度超声图像中诊断出静脉石能为判别静脉畸形提供可靠诊断依据。静脉石常出现于四肢末端等血液流速低的静脉畸形处，在超声图像中存在和背景超声特征类似、目标较小、人工可能漏检等识别难点，临床识别存在一定难度。
技术实现思路
[0003]有鉴于此，有必要提供一种基于深度学习的静脉石检测方法及装置，用以解决静脉畸形中静脉石难以识别的技术问题。
[0004]为了实现上述目的，本专利技术提供了一种基于深度学习的静脉石检测方法，包括：
[0005]获取标注有静脉石区域的图像样本；
[0006]将所述图像样本输入至预设的深度学习网络模型进行训练，得到最优训练权重，基于所述最优训练权重以及所述深度学习网络模型，得到静脉石图像检测网络模型；
[0007]将待识别超声图像输入至所述静脉石图像检测网络模型，得到标注有静脉石信息的图像；
[0008]其中，所述静脉石图像检测网络模型，包括：主干特征提取部分、加强特征融合部分和目标检测输出部分；
[0009]所述主干特征提取部分包括1个对输入图像进行初步处理的卷积层和5组依次连接的卷积层和主干集中卷积块，最下层的主干集中卷积块连接有快速特征金字塔；
[0010]所述加强特征融合部分包括自底向上的特征融合路径及对应的自顶向下的特征融合路径；
[0011]所述自底向上的特征融合路径包括3个依次连接的第一融合模块，所述第一融合模块包括依次连接的卷积层、上采样层、拼接层和加强集中卷积块；
[0012]所述自顶向下的特征融合路径包括3个依次连接的第二融合模块，所述第二融合模块包括依次连接的卷积层、拼接层和加强集中卷积块；
[0013]所述目标检测部分包括4个卷积层，所述4个卷积层中分别与所述自底向上的特征融合路径的最上层加强集中卷积块以及所述自顶向下的特征融合路径的3个加强集中卷积块连接。
[0014]进一步地，所述获取标注有静脉石区域的图像样本，包括：
[0015]获取静脉畸形灰度超声图像，对所述静脉畸形灰度超声图像进行分类和筛选，得到含有静脉石的灰度超声图像；
[0016]对所述含有静脉石的灰度超声图像进行预处理，得到标注后静脉石区域的图像样本。
[0017]进一步地，所述对所述含有静脉石的灰度超声图像进行预处理，得到标注后静脉石区域的图像样本，包括：
[0018]对所述含有静脉石的灰度超声图像进行预处理，隐去所述含有静脉石的灰度超声图像中的个人身份信息，得到去敏图像；
[0019]将所述去敏图像进行裁剪，得到灰度超声图像成像区域图像；
[0020]对所述灰度超声图像成像区域图像进行标注，得到标注后静脉石区域的图像样本。
[0021]进一步地，所述主干特征提取部分的主干集中卷积块激活函数为SiLU。
[0022]进一步地，所述主干集中卷积块包括：第一卷积批标准化层、第二卷积批标准化层、主干瓶颈块、第一拼接层；
[0023]其中，所述第一卷积批标准化层、所述主干瓶颈块、所述第一拼接层、所述第二卷积批标准化层依次连接，所述第三卷积批标准化层的输出端与所述第一拼接层的输入端连接；
[0024]所述主干瓶颈块包括第四卷积批标准化层和第五卷积批标准化层，所述第四卷积批标准化层的输出端与所述第五卷积批标准化层的输入端连接，且所述第四卷积批标准化层的输入端还与所述第五卷积批标准化层的输出端相加连接。
[0025]进一步地，所述快速特征金字塔模块，包括：第六卷积批标准化层、第七卷积批标准化层、第一最大池化层、第二最大池化层、第三最大池化层以及第二拼接层；
[0026]其中，所述第一池化层、所述第二池化层以及所述第三池化层依次连接，所述第六卷积批标准化层、所述第二拼接层以及所述第七卷积批标准化层依次连接，所述第六卷积批标准化层还与所述第一最大池化层连接，且所述第一最大池化层、所述第二最大池化层以及所述第三最大池化层还均与所述第二拼接层连接。
[0027]进一步地，所述加强集中卷积块，包括：第八卷积批标准化层、第九卷积批标准化层、第十卷积批标准化层、加强瓶颈块以及第三拼接层；
[0028]其中，所述第八卷积批标准化层、所述加强瓶颈块、所述第三拼接层、所述第九卷积批标准化层依次连接，所述第十卷积批标准化层的输出端与所述第三拼接层的输入端连接。
[0029]本专利技术还提供一种基于深度学习的静脉石检测装置，包括：
[0030]获取模块，用于获取标注有静脉石区域的图像样本；
[0031]训练模块，用于将所述图像样本输入至预设的深度学习网络模型进行训练，得到最优训练权重，基于所述最优训练权重以及所述深度学习网络模型，得到静脉石图像检测网络模型；
[0032]识别模块，用于将待识别超声图像输入至所述静脉石图像检测网络模型，得到标注有静脉石信息的图像；
[0033]其中，所述静脉石图像检测网络模型，包括：主干特征提取部分、加强特征融合部
分和目标检测输出部分；
[0034]所述主干特征提取部分包括1个对输入图像进行初步处理的卷积层和5组依次连接的卷积层和主干集中卷积块，最下层的主干集中卷积块连接有快速特征金字塔；
[0035]所述加强特征融合部分包括自底向上的特征融合路径及对应的自顶向下的特征融合路径；
[0036]所述自底向上的特征融合路径包括3个依次连接的第一融合模块，所述第一融合模块包括依次连接的卷积层、上采样层、拼接层和加强集中卷积块；
[0037]所述自顶向下的特征融合路径包括3个依次连接的第二融合模块，所述第二融合模块包括依次连接的卷积层、拼接层和加强集中卷积块；
[0038]所述目标检测部分包括4个卷积层，所述4个卷积层中分别与所述自底向上的特征融合路径的最上层加强集中卷积块以及所述自顶向下的特征融合路径的3个加强集中卷积块连接。
[0039]本专利技术还提供一种电子设备，包括存储器和处理器，其中，
[0040]所述存储器，用于存储程序；
[0041]所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现如上述任意一项所述的基于深度学习的静脉石检测方法中的步骤。
[0042]本专利技术还提供一种非暂态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如上述任一项所述的基于深度学习的静脉石检测方法。
[0043]采用上述实现方式的有益效果是：本专利技术提供的基于深度学习的静脉本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的静脉石检测方法，其特征在于，包括：获取标注有静脉石区域的图像样本；将所述图像样本输入至预设的深度学习网络模型进行训练，得到最优训练权重，基于所述最优训练权重以及所述深度学习网络模型，得到静脉石图像检测网络模型；将待识别超声图像输入至所述静脉石图像检测网络模型，得到标注有静脉石信息的图像；其中，所述静脉石图像检测网络模型，包括：主干特征提取部分、加强特征融合部分和目标检测输出部分；所述主干特征提取部分包括1个对输入图像进行初步处理的卷积层和5组依次连接的卷积层和主干集中卷积块，最下层的主干集中卷积块连接有快速特征金字塔；所述加强特征融合部分包括自底向上的特征融合路径及对应的自顶向下的特征融合路径；所述自底向上的特征融合路径包括3个依次连接的第一融合模块，所述第一融合模块包括依次连接的卷积层、上采样层、拼接层和加强集中卷积块；所述自顶向下的特征融合路径包括3个依次连接的第二融合模块，所述第二融合模块包括依次连接的卷积层、拼接层和加强集中卷积块；所述目标检测部分包括4个卷积层，所述4个卷积层中分别与所述自底向上的特征融合路径的最上层加强集中卷积块以及所述自顶向下的特征融合路径的3个加强集中卷积块连接。2.根据权利要求1所述的基于深度学习的静脉石检测方法，其特征在于，所述获取标注有静脉石区域的图像样本，包括：获取静脉畸形灰度超声图像，对所述静脉畸形灰度超声图像进行分类和筛选，得到含有静脉石的灰度超声图像；对所述含有静脉石的灰度超声图像进行预处理，得到标注后静脉石区域的图像样本。3.根据权利要求2所述的基于深度学习的静脉石检测方法，其特征在于，所述对所述含有静脉石的灰度超声图像进行预处理，得到标注后静脉石区域的图像样本，包括：对所述含有静脉石的灰度超声图像进行预处理，隐去所述含有静脉石的灰度超声图像中的个人身份信息，得到去敏图像；将所述去敏图像进行裁剪，得到灰度超声图像成像区域图像；对所述灰度超声图像成像区域图像进行标注，得到标注后静脉石区域的图像样本。4.根据权利要求1所述的基于深度学习的静脉石检测方法，其特征在于，所述主干特征提取部分的主干集中卷积块激活函数为SiLU。5.根据权利要求1所述的基于深度学习的静脉石检测方法，其特征在于，所述主干集中卷积块包括：第一卷积批标准化层、第二卷积批标准化层、主干瓶颈块、第一拼接层；其中，所述第一卷积批标准化层、所述主干瓶颈块、所述第一拼接层、所述第二卷积批标准化层依次连接，所述第三卷积批标准化层的输出端与所述第一拼接层的输入端连接；所述主干瓶颈块包括第四卷积批标准化层和第五卷积批标准化层，所述第四卷积批标准化层的输出端与所述第五卷积批标准化层的输入端连接，且所述第四卷积批标准化层的输入端还与所述第五卷积批标准化层的输出端相加连接。<...
【专利技术属性】
技术研发人员：何强，蔡雨薇，龚霞，范新东，熊屏，
申请(专利权)人：江汉大学，
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。