【技术实现步骤摘要】
本专利技术涉及医学图像分类领域，具体涉及一种肺部超声图像分类方法、系统及医疗设备。
技术介绍
1、肺部超声(lus)作为胸部成像技术，具有与ct扫描相当的诊断准确性，且便携易用。近期研究显示，lus在基层医疗机构及发展中国家等急危重症患者的快速评估中展现巨大潜力。鉴于肺超声专家稀缺，自动化评分lus图像成为扩大技术应用的关键途径，既弥补了专家不足，又显著提升了诊断效率和准确性。
2、目前，肺超声评分的方法主要可归为人工判断、机器学习和深度学习三类。人工进行肺超声评分主要依赖于临床医生进行的主观判断，容易因为医生的解读水平和临床经验的不同，导致超声评估的准确性和可靠性受到影响，甚至误诊造成严重的后果。机器学习算法利用像素、纹理等作为特征通过机器学习方法进行肺超声lus图像的分类。有研究人员设计了4个胸膜线相关特征和4个b线相关特征对肺部超声图像进行分析，并利用支持向量机实现了重度/非重度二值分类。还有研究人员将胸膜线及其下方区域的8个特征基于支持向量机svm进行四种lus图像自动评分。还有一种利用双树复小波变换(dtcwt)将...
【技术保护点】
1.一种肺部超声图像分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的肺部超声图像分类方法，其特征在于，所述步骤S3中，当总损失下降到不大于0.001时结束训练，所述总损失函数采用三元组损失和标签平滑交叉熵损失联合的方式；其中，三元组损失的计算公式为：
3.如权利要求1所述的肺部超声图像分类方法，其特征在于，所述步骤S2中基于DGF-ResNet的肺超声自动分类模型包括，1个7×7的Conv模块，16个HFF Block以及1个全连接层；所述16个HFF Block分成四个阶段，每个阶段的HFF Block数量以及通道数量分别设置为[...
【技术特征摘要】
1.一种肺部超声图像分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的肺部超声图像分类方法，其特征在于，所述步骤s3中，当总损失下降到不大于0.001时结束训练，所述总损失函数采用三元组损失和标签平滑交叉熵损失联合的方式；其中，三元组损失的计算公式为：
3.如权利要求1所述的肺部超声图像分类方法，其特征在于，所述步骤s2中基于dgf-resnet的肺超声自动分类模型包括，1个7×7的conv模块，16个hff block以及1个全连接层；所述16个hff block分成四个阶段，每个阶段的hff block数量以及通道数量分别设置为[3,4,6,3]、[c,2c,4c,8c]；
4.如权利要求3所述的肺部超声图像分类方法，其特征在于，所述dfe模块包括1个3×3的conv模块、2个1×1的conv模块和1个双维度局部细节注意力机制cbam模块；所述dfe模块对于每一个输入特征a，先通过1个3×3的conv模块，2个1×1的conv模块得到特征图ⅰ；cbam模块先将特征图ⅰ分别经过基于图像高宽的全局最大池化和全局平均池化，在空间维度上进行压缩并形成两个分支，然后分别送入一个共享权重的多层感知机中；随后，通过逐元素求和的方式将两个多层感知机的输出进行合并，最后经过sigmoid激活函数生成最终的通道注意力矩阵，并将通道注意力矩阵与特征图ⅰ逐元素相乘得到特征图ⅱ；将所述特征图ⅱ分别在通道维度计算平均值和最大值，然后将两个结果基于通道进行拼接，形成通道数为2的特征矩阵，再经过一个卷积操作将通道维度降维成1，最后经过sigmoid激活函数生成空间注意力矩阵，并将特征图ⅱ与空间注意力矩阵进行逐元素相乘得到特征图ⅲ；将输入特征a与特征图ⅲ通过第一次残差连接进行相加得到肺超声局部细节特征b，并加深了网络的深度。
5.如权利要求3或4所述的肺部超声图像分类方法，其特征在于，所述gfe模块由一个三阶递归门控卷积层、一个双维度全局注意力机制gam模块和一个包含全连接层的mlp模块构成；所述三阶递归门控卷积层首先通过一个线性映射将输入的肺超声局部细节特征b∈rc×h×w的通道数升维，得到升维特征b’∈r2c×h×w，然后将升维特征b’按照通道维度切分成特征矩阵p0∈rc/4×h×w和q0～2∈r7c/4×...
【专利技术属性】
技术研发人员：褚永华，吴春双，张鞠成，张茂，黄天海，邹瞿超，罗翔，沈雷，
申请(专利权)人：浙江大学，
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。