CN109671062A - 超声图像检测方法、装置、电子设备及可读存储介质 - Google Patents
超声图像检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN109671062A CN109671062A CN201811512039.6A CN201811512039A CN109671062A CN 109671062 A CN109671062 A CN 109671062A CN 201811512039 A CN201811512039 A CN 201811512039A CN 109671062 A CN109671062 A CN 109671062A
- Authority
- CN
- China
- Prior art keywords
- ultrasound image
- ultrasound
- training
- group
- image detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供的一种超声图像检测方法、装置、电子设备及可读存储介质,通过对获得的多组超声图像预处理,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到,对预处理后的数据按预设比例划分后,分别训练和测试提前构建的深度神经网络模型,直至超声图像检测模型的测试效果达到预期效果。本方案融合同一病患同一次检查的多张超声图像数据,有效减少中间信息丢失,使检测结果更加准确。
Description
技术领域
本发明涉及应用图像检测领域,具体而言,涉及一种超声图像检测方法、装置、电子设备及可读存储介质。
背景技术
彩超是甲状腺结节样病变检查中首选的影像学方法之一,目前高分辨率甲状腺彩超检查是评价甲状腺结节最敏感的方法。现在通过彩超图像自动识别甲状腺癌的方法已有很多研究,其方法主要有两种,一种是对每张甲状腺彩超图像,先分割出其中的甲状腺结节,再判断结节的良恶性,从而判断检查者是否患有甲状腺癌,另一种是直接基于单张甲状腺彩超图像,通过提取图像特征,直接判断其中是否存在甲状腺癌。
现有的甲状腺癌的检测方式大多都是基于单张彩超图像的,而在实际临床检查中,医生判断甲状腺结节的良恶性时,往往需要从多个角度观察结节,必要时需要结合结节周围的血流信号等信息判断结节的良恶性。因此,单张的彩超图像往往无法包含一个甲状腺结节的全部特征,信息的缺失会在一定程度上造成结节良恶性的误诊。此外,另一种通过先分割出结节再判断良恶性的智能诊断方法,依赖于结节分割和结节分类两个模块,若分割算法遗漏结节,直接会影响结节良恶性分类的准确性。
发明内容
有鉴于此,本申请的目的在于,提供一种超声图像检测方法、装置、电子设备及可读存储介质以改善上述问题。
本申请实施例提供一种超声图像检测方法,包括:
选取多组超声图像,对各组所述超声图像进行预处理以获得数据集,其中,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到;
将所述数据集按预设比例划分为训练集和测试集,用所述训练集训练预先构建的深度神经网络模型,获得超声图像检测训练模型;
将所述测试集输入所述超声图像检测训练模型,测试所述超声图像检测训练模型,获得超声图像检测模型。
进一步地,所述选取多组超声图像,对各组所述超声图像进行预处理以获得数据集的步骤包括:
选取多组超声图像,根据获得的病理检测报告和诊断结果对各组超声图像进行病变标注,并获得病变标注结果;
框选并裁取进行病变标注后各组所述超声图像中的彩超检测部分以构成数据集。
进一步地,预先构建的深度神经网络模型包括输入层、隐藏层和输出层,所述隐藏层包含多个网络层,各所述输入层、隐藏层和输出层均包括多个神经元。
进一步地,所述将所述数据集按预设比例划分为训练集和测试集,用所述训练集训练预先构建的深度神经网络模型,获得超声图像检测训练模型的步骤包括:
将所述数据集按预设比例划分为训练集和测试集,所述训练集包括X={(X1,d1),(X2,d2),…,(Xi,di),…,(Xm,dm)},其中,Xi={xi1,xi2,…,xij,…,xiN},N表示一组超声图像中包含的超声图像个数,xij表示第i组超声图像中的第j张超声图像,m表示训练集中超声图像的组数,di表示第i组超声图像对应的所述病变标注结果;
对所述训练集中的各组超声图像进行增广操作和归一化操作,所述增广操作包括旋转和翻转;
将所述超声图像输入预先构建的深度神经网络模型,使用前向计算和反向传播算法对所述神经元之间的连接权值进行优化,获得超声图像检测训练模型。
进一步地,所述将所述超声图像输入预先构建的深度神经网络模型,使用前向计算和反向传播算法对所述神经元之间的连接权值进行优化,获得超声图像检测训练模型的步骤包括:
将所述超声图像输入预先构建的深度神经网络模型;
所述深度神经网络模型分别提取各所述超声图像的特征集合表示第i组超声图像的第j张图像在第L层网络层所提取到的特征;
融合各所述超声图像的特征集合得到所述超声图像中的融合特征其中,αj为注意力权重;
将所述融合特征输入至所述输出层以进行分类处理,得到网络输出,;
使用反向传播算法更新所述连接权值获得超声图像检测训练模型。
进一步地,所述预处理包括对多组超声图像进行病变标注,所述将所述测试集输入所述超声图像检测训练模型,测试所述超声图像检测训练模型,获得超声图像检测模型的步骤包括;
将所述测试集输入所述超声图像检测训练模型获得测试结果;
将所述测试结果与所述病变标注结果进行对比,统计测试结果与所述病变标注结果一致的所述超声图像组数,求得测试结果的准确率;
比较所述准确率与预设值,若所述准确率小于所述预设值,则使用所述训练集训练所述超声图像检测训练模型,直至所述准确率大于或等于所述预设值时将所述超声图像检测训练模型作为超声图像检测模型。
进一步地,所述获得所述超声图像检测模型的步骤之后,所述方法还包括:
获得原始超声图像;
裁取所述原始超声图像中的彩超检测部分构成待测图像,所述原始超声图像为同一病患的同一次检查所获得的多张超声图像;
利用所述超声图像检测模型对所述待测图像进行病变检测,以获得检测结果。
本申请实施例还提供一种超声图像检测装置,包括:
预处理模块,用于选取多组超声图像,对各组所述超声图像进行预处理以获得数据集,其中,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到;
训练模块,用于将所述数据集按预设比例划分为训练集和测试集,用所述训练集训练预先构建的深度神经网络模型,获得超声图像检测训练模型;
测试模块,用于将所述测试集输入所述超声图像检测训练模型,测试所述超声图像检测训练模型,获得超声图像检测模型。
本申请实施例还提供一种电子设备,所述电子设备包括:
存储介质;
处理器;
超声图像检测装置,所述超声图像检测装置存储于所述存储介质中并包括有所述处理器执行的软件功能模块,所述装置包括:
预处理模块,用于选取多组超声图像,对各组所述超声图像进行预处理以获得数据集,其中,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到;
训练模块,用于将所述数据集按比例划分为训练集和测试集,用所述训练集训练提前构建的深度神经网络模型,获得超声图像检测训练模型;
测试模块,用于将所述测试集输入所述超声图像检测训练模型,测试所述超声图像检测训练模型,获得超声图像检测模型。
本申请实施例还提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被执行时实现上述的超声图像检测方法。
本申请实施例提供的一种超声图像检测方法、装置、电子设备及可读存储介质,通过对获得的多组超声图像预处理,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到,对预处理后的数据按预设比例划分后,分别训练和测试提前构建的深度神经网络模型,直至超声图像检测模型的测试效果达到预期效果。本方案融合同一病患同一次检查的多张超声图像数据,有效减少中间信息丢失,使检测结果更加准确。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的结构框图。
图2为本申请实施例提供的超声图像检测方法的流程图。
图3为图2中步骤S1的子步骤的流程图。
图4为本申请实施例提供的超声图像检测方法中框选彩超有效部分的示意图。
图5为图2中步骤S2的子步骤的流程图。
图6为图2中步骤S3的子步骤的流程图。
图7为本申请实施例提供的超声图像检测方法的另一流程图。
图标:100-电子设备;110-超声图像检测装置;120-处理器;130-存储介质。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
如图1所示,本发明实施例提供了一种电子设备100,所述电子设备100包括存储介质130、处理器120和超声图像检测装置110。
所述存储介质130和处理器120之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述超声图像检测装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储介质130中的软件功能模块。所述处理器120用于执行所述存储介质130中存储的可执行的计算机程序,例如,所述超声图像检测装置110所包括的软件功能模块及计算机程序等,以实现超声图像检测方法。
其中,所述存储介质130可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储介质130用于存储程序,所述处理器120在接收到执行指令后,执行所述程序。
所述处理器120可能是一种集成电路芯片,具有信号的处理能力。上述的处理器120可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器120也可以是任何常规的处理器等。
可以理解,图1所示的结构仅为示意,所述电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
可选地,所述电子设备100的具体类型不受限制,例如,可以是,但不限于,智能手机、个人电脑(personal computer,PC)、平板电脑、个人数字助理(personal digitalassistant,PDA)、移动上网设备(mobile Internet device,MID)、web(网站)服务器、数据服务器等具有处理功能的设备。
结合图2,本发明实施例还提供一种可应用于上述电子设备100的超声图像检测方法。其中,所述方法有关的流程所定义的方法步骤可以由所述处理器120实现。
下面将对图2所示的具体流程以甲状腺超声图像为例进行详细阐述。
所述方法包括S1、S2、S3。
S1,选取多组超声图像,对各组所述超声图像进行预处理以获得数据集,其中,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到。
为了检测检查者是否患有甲状腺癌,每次检查时放射科技师会对检查者的甲状腺及双侧颈部采集多张不同角度的彩超图像,对其中发现的可能存在病变的甲状腺结节会采集其血流信号、频谱信号等多种形式的彩超图像。本发明检测方法将一位病患所采集的多张图像输入到检测模型中,多张同一病患的超声图像作为一个数据组传入到模型中进行检测。
深度神经网络(Deep Neural Networks,DNNs)对甲状腺彩超图像数据中是否存在甲状腺癌的检测,是从大量甲状腺彩超图像中自动地学习到甲状腺癌及其他甲状腺疾病病变特征。因此,对深度神经网络进行训练之前,需要对大量的甲状腺彩超图像进行标注和预处理,并对数据集进行相应划分。
因此请参阅图3,所述S1具体包括S11和S12。
S11,选取多组超声图像,根据获得的病理检测报告和诊断结果对各组超声图像进行病变标注,并获得病变标注结果。
检查者每次检查时,放射科技师分别对检查者的甲状腺及周边相关部位采集多张彩超图像,某个检查者的单次检查所得的每张彩超图像为一组图像数据。专业的放射技师对每组图像数据发生甲状腺病变的确切位置进行标注并给出病变的类型。当放射科医师不确定病变的结节是否有癌时,通常会建议检查者进一步检查,即通过病理穿刺或病理切片等方式确定结节的良恶性。常见的甲状腺病变有结节性甲状腺肿,桥本甲状腺炎,甲状腺瘤,甲状腺癌等。本发明所使用彩超图像都依据放射科技师和病理报告诊断结果进行数据标注。
S12,框选并裁取进行病变标注后各组所述超声图像中的彩超***分以构成数据集。
请参阅图4,图4为框选彩超有效部分的示意图。具体地,对每张彩超图像进行裁剪,对每张彩超图像中的彩超***分自动定位,使用外框A标出,并裁剪。
S2,将所述数据集按预设比例划分为训练集和测试集,用所述训练集训练预先构建的深度神经网络模型,获得超声图像检测训练模型。
具体地,预先构建的深度神经网络模型包括输入层、隐藏层和输出层,所述隐藏层包含多个网络层,各所述输入层、隐藏层和输出层均包括多个神经元。各相邻的所述网络层的所述神经元之间可以是全连接也可以是局部连接。其中,相邻的所述网络层是指按数据流向依次经过的层。
本申请实施例中,划分数据集的所述预设比例可以是4:1,在实际应用中,可根据需求设置该比例,在此不做限定。
请参阅图5,所述S2还包括S21、S22和S23。
S21,将所述数据集按预设比例划分为训练集和测试集,所述训练集包括X={(X1,d1),(X2,d2),…,(Xi,di),…,(Xm,dm)},其中,Xi={xi1,xi2,…,xij,…,xiN},N表示一组超声图像中包含的超声图像个数,xij表示第i组超声图像中的第j张超声图像,m表示训练集中超声图像的组数,di表示第i组超声图像对应的所述病变标注结果。
其中,需要说明的是,N可以为2、3、4、5和6等自然数,具体超声图像个数在不同的超声图像组中会发生变化,在此不做限定。
S22,对所述训练集中的各组超声图像进行增广操作和归一化操作,所述增广操作包括旋转、翻转等。
为了让所述深度神经网络模型具有更好的性能,在训练阶段,采用旋转、翻转等方法对各组超声图像进行增广操作,以获得更大的数据集合用于深度神经网络模型训练。
具体地,对所述各组超声图像,直接使用超声图像的三通道(RGB)归一化值作为所述深度神经网络模型的输入值。对所述深度神经网络模型的输出层,由于本发明要解决的是一个图像二分类问题,即输出两个不同类别,通过对类别进行编码,如第i个图像样本属于第1类,那么,其目标输出表示为di=[1,0]T,反之,其目标输出表示为di=[0,1]T。
S23,将所述超声图像输入预先构建的深度神经网络模型,使用前向计算和反向传播算法对所述神经元之间的连接权值进行优化,获得超声图像检测训练模型。
进一步地,所述S23包括S231、S232、S233、S234和S235。
S231,将所述超声图像输入预先构建的深度神经网络模型。
S232,所述深度神经网络模型分别提取各所述超声图像的特征集合表示第i组超声图像的第j张图像在第L层网络层所提取到的特征。
具体地,本发明实施例中,对于含有L层的网络层,其网络层的第l层到l+1层的连接权值矩阵为Wl。设第l层上神经元的激活函数为f(·),从输入层到输出层,不断进行前向计算,以全连接层为例,其过程为:
其中,ai l表示第l层网络层的第i个神经元的激活值。激活函数采用ReLU(Rectified Linear Unit,线性整流函数),
依次计算,可得到样本Xi中所有图像的特征集合
S233,融合各所述超声图像的特征集合得到所述超声图像中的融合特征其中,αj为注意力权重。
S234,将所述融合特征输入至所述输出层以进行分类处理,得到网络输出。
具体地,得到所述特征集合后,采用attention机制对多张图像的特征进行融合得到样本Xi的特征其过程为:
其中,为注意力权重集合,由attention网络得到。
将融合后的特征输入分类网络,得到最后一层的网络输出所述输出层采用softmax分类器,使用交叉熵(Cross Entropy)函数作为损失函数(Loss Function),所述损失函数为其中,为di的转置矩阵。
S235,使用反向传播算法更新所述连接权值获得超声图像检测训练模型。S235还包括S2351、S2352、S2353和S2354。
具体地,S2351,计算输出层的敏感度
其中,为所述输出层的净输入,di为目标输出。
S2352,以全连接层为例,从输出层往前依次计算各层的敏感度
S2353,由敏感度计算出对应的梯度
S2354,更新对应权值:
Wl←Wl-ηΔWl
其中η为权值更新的学习步长。
S3,将所述测试集输入所述超声图像检测训练模型,测试所述超声图像检测训练模型,获得超声图像检测模型。
请参阅图6,S3还包括S31、S32和S33。
S31,将所述测试集输入所述超声图像检测训练模型获得测试结果。
深度神经网络模型的测试是测试所设计的神经网络模型在训练后是否能够对从未学习过的数据进行正确的分类,即对新的甲状腺彩超图像能否正确判断其中是否含有甲状腺癌。可用于对所设计的深度神经网络性能进行评价。在测试过程中,输入所述测试集中的多组甲状腺彩超图像。通过已经训练好的深度神经网络计算出网络输出层神经元的激活值,并根据激活值预测出该组图像所属类别。这一过程完全由所述超声图像检测训练模型独立完成。
S32,将所述测试结果与所述病变标注结果进行对比,统计测试结果与所述病变标注结果一致的所述超声图像组数,求得测试结果的准确率。
S33,比较所述准确率与预设值,若所述准确率小于所述预设值,则使用所述训练集训练所述超声图像检测训练模型,直至所述准确率大于或等于所述预设值时将所述超声图像检测训练模型作为超声图像检测模型。
具体地,将所述超声图像检测训练模型输出的测试结果与所述病变标注结果进行比对,统计预测正确的样本组数,计算准确率。当准确率达到所述预设值,则完成甲状腺彩超图像分类问题的深度神经网络的训练。反之,进行S2继续训练模型,直至所述准确率大于或等于所述预设值时将所述超声图像检测训练模型作为超声图像检测模型。
请参阅图7,所述获得所述超声图像检测模型的步骤之后,实际的应用方法还包括:
S100,获得原始超声图像。
S200,裁取所述原始超声图像中的彩超***分构成待测图像,所述原始超声图像为同一病患的同一次检查所获得的多张超声图像。
具体地,可再次参阅图4,对每张彩超图像中的彩超***分自动定位,使用红框标出,并裁剪。
S300,利用所述超声图像检测模型对所述待测图像进行病变检测,以获得检测结果。
本方法可用于训练好所述超声图像检测模型后,使用新的未知结果的待检测超声图像,以此来判断超声图像中的部位是否发生病变,可为医疗诊断节省大量的人力物力,省去了放射技师的一部分工作,方便乡镇医院等医生资源不丰富的医院的诊治工作的开展。
本申请还提供一种超声图像检测装置110,包括:
预处理模块,用于选取多组超声图像,对各组所述超声图像进行预处理以获得数据集,其中,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检测所得到。
训练模块,用于将所述数据集按预设比例划分为训练集和测试集,用所述训练集训练预先构建的深度神经网络模型,获得超声图像检测训练模型。
测试模块,用于将所述测试集输入所述超声图像检测训练模型,测试所述超声图像检测训练模型,获得超声图像检测模型。
可以理解的是,本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述,在此不再重复赘述。
一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被执行时实现上述的超声图像检测方法。
综上所述,本申请实施例提供的一种超声图像检测方法、装置、电子设备100及可读存储介质,通过对获得的多组超声图像预处理,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到,对预处理后的数据按预设比例划分后,分别训练和测试提前构建的深度神经网络模型,直至超声图像检测模型的测试效果达到预期效果。本方案融合同一病患同一次检查的多张超声图像数据,有效减少中间信息丢失,使检测结果更加准确。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种超声图像检测方法,其特征在于,包括:
选取多组超声图像,对各组所述超声图像进行预处理以获得数据集,其中,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到;
将所述数据集按预设比例划分为训练集和测试集,用所述训练集训练预先构建的深度神经网络模型,获得超声图像检测训练模型;
将所述测试集输入所述超声图像检测训练模型,测试所述超声图像检测训练模型,获得超声图像检测模型。
2.根据权利要求1所述的超声图像检测方法,其特征在于,所述选取多组超声图像,对各组所述超声图像进行预处理以获得数据集的步骤包括:
选取多组超声图像,根据获得的病理检测报告和诊断结果对各组超声图像进行病变标注,并获得病变标注结果;
框选并裁取进行病变标注后各组所述超声图像中的彩超检测部分以构成数据集。
3.根据权利要求2所述的超声图像检测方法,其特征在于,预先构建的深度神经网络模型包括输入层、隐藏层和输出层,所述隐藏层包含多个网络层,各所述输入层、隐藏层和输出层均包括多个神经元。
4.根据权利要求3所述的超声图像检测方法,其特征在于,所述将所述数据集按预设比例划分为训练集和测试集,用所述训练集训练预先构建的深度神经网络模型,获得超声图像检测训练模型的步骤包括:
将所述数据集按预设比例划分为训练集和测试集,所述训练集包括X={(X1,d1),(X2,d2),…,(Xi,di),…,(Xm,dm)},其中,Xi={xi1,xi2,…xij,…,xiN},N表示一组超声图像中包含的超声图像个数,xij表示第i组超声图像中的第j张超声图像,m表示训练集中超声图像的组数,di表示第i组超声图像对应的所述病变标注结果;
对所述训练集中的各组超声图像进行增广操作和归一化操作,所述增广操作包括旋转和翻转;
将所述超声图像输入预先构建的深度神经网络模型,使用前向计算和反向传播算法对所述神经元之间的连接权值进行优化,获得超声图像检测训练模型。
5.根据权利要求4所述的超声图像检测方法,其特征在于,所述将所述超声图像输入预先构建的深度神经网络模型,使用前向计算和反向传播算法对所述神经元之间的连接权值进行优化,获得超声图像检测训练模型的步骤包括:
将所述超声图像输入预先构建的深度神经网络模型;
所述深度神经网络模型分别提取各所述超声图像的特征集合 表示第i组超声图像的第j张图像在第L层网络层所提取到的特征;
融合各所述超声图像的特征得到所述超声图像中的融合特征 其中,αj为注意力权重;
将所述融合特征输入至所述输出层以进行分类处理,得到网络输出;
使用反向传播算法更新所述连接权值获得超声图像检测训练模型。
6.根据权利要求1所述的超声图像检测方法,其特征在于,所述预处理包括对多组超声图像进行病变标注,所述将所述测试集输入所述超声图像检测训练模型,测试所述超声图像检测训练模型,获得超声图像检测模型的步骤包括;
将所述测试集输入所述超声图像检测训练模型获得测试结果;
将所述测试结果与所述病变标注结果进行对比,统计测试结果与所述病变标注结果一致的所述超声图像组数,求得测试结果的准确率;
比较所述准确率与预设值,若所述准确率小于所述预设值,则使用所述训练集训练所述超声图像检测训练模型,直至所述准确率大于或等于所述预设值时将所述超声图像检测训练模型作为超声图像检测模型。
7.根据权利要求1所述的超声图像检测方法,其特征在于,所述获得所述超声图像检测模型的步骤之后,所述方法还包括:
获得原始超声图像;
裁取所述原始超声图像中的彩超检测部分构成待测图像,所述原始超声图像为同一病患的同一次检查所获得的多张超声图像;
利用所述超声图像检测模型对所述待测图像进行病变检测,以获得检测结果。
8.一种超声图像检测装置,其特征在于,包括:
预处理模块,用于选取多组超声图像,对各组所述超声图像进行预处理以获得数据集,其中,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到;
训练模块,用于将所述数据集按预设比例划分为训练集和测试集,用所述训练集训练预先构建的深度神经网络模型,获得超声图像检测训练模型;
测试模块,用于将所述测试集输入所述超声图像检测训练模型,测试所述超声图像检测训练模型,获得超声图像检测模型。
9.一种电子设备,其特征在于,所述电子设备包括:
存储介质;
处理器;
超声图像检测装置,所述超声图像检测装置存储于所述存储介质中并包括有所述处理器执行的软件功能模块,所述装置包括:
预处理模块,用于选取多组超声图像,对各组所述超声图像进行预处理以获得数据集,其中,各组所述超声图像包括多张超声图像,同一组所述超声图像中的多张超声图像为同一病患的同一次检查所得到;
训练模块,用于将所述数据集按比例划分为训练集和测试集,用所述训练集训练提前构建的深度神经网络模型,获得超声图像检测训练模型;
测试模块,用于将所述测试集输入所述超声图像检测训练模型,测试所述超声图像检测训练模型,获得超声图像检测模型。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序被执行时实现权利要求1-7中任一项所述的超声图像检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811512039.6A CN109671062A (zh) | 2018-12-11 | 2018-12-11 | 超声图像检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811512039.6A CN109671062A (zh) | 2018-12-11 | 2018-12-11 | 超声图像检测方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109671062A true CN109671062A (zh) | 2019-04-23 |
Family
ID=66143700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811512039.6A Pending CN109671062A (zh) | 2018-12-11 | 2018-12-11 | 超声图像检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671062A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136066A (zh) * | 2019-05-23 | 2019-08-16 | 北京百度网讯科技有限公司 | 面向视频的超分辨率方法、装置、设备和存储介质 |
CN110378888A (zh) * | 2019-07-22 | 2019-10-25 | 新名医(北京)科技有限公司 | 一种生理期监测方法、装置、超声设备和存储介质 |
CN111275689A (zh) * | 2020-01-20 | 2020-06-12 | 平安科技(深圳)有限公司 | 医学影像识别检测方法、装置及计算机可读存储介质 |
CN113609971A (zh) * | 2021-08-04 | 2021-11-05 | 广州威拓电子科技有限公司 | 微地震观测设备的检查方法、装置、设备及存储介质 |
CN113842166A (zh) * | 2021-10-25 | 2021-12-28 | 上海交通大学医学院 | 基于超声影像设备的超声图像采集方法以及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945870A (zh) * | 2017-12-13 | 2018-04-20 | 四川大学 | 基于深度神经网络的早产儿视网膜病变检测方法及装置 |
CN108154505A (zh) * | 2017-12-26 | 2018-06-12 | 四川大学 | 基于深度神经网络的糖尿病视网膜病变检测方法及装置 |
CN108230311A (zh) * | 2018-01-03 | 2018-06-29 | 四川大学 | 一种乳腺癌检测方法及装置 |
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN108537135A (zh) * | 2018-03-16 | 2018-09-14 | 北京市商汤科技开发有限公司 | 对象识别及对象识别网络的训练方法和装置、电子设备 |
-
2018
- 2018-12-11 CN CN201811512039.6A patent/CN109671062A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945870A (zh) * | 2017-12-13 | 2018-04-20 | 四川大学 | 基于深度神经网络的早产儿视网膜病变检测方法及装置 |
CN108154505A (zh) * | 2017-12-26 | 2018-06-12 | 四川大学 | 基于深度神经网络的糖尿病视网膜病变检测方法及装置 |
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN108230311A (zh) * | 2018-01-03 | 2018-06-29 | 四川大学 | 一种乳腺癌检测方法及装置 |
CN108537135A (zh) * | 2018-03-16 | 2018-09-14 | 北京市商汤科技开发有限公司 | 对象识别及对象识别网络的训练方法和装置、电子设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136066A (zh) * | 2019-05-23 | 2019-08-16 | 北京百度网讯科技有限公司 | 面向视频的超分辨率方法、装置、设备和存储介质 |
CN110136066B (zh) * | 2019-05-23 | 2023-02-24 | 北京百度网讯科技有限公司 | 面向视频的超分辨率方法、装置、设备和存储介质 |
CN110378888A (zh) * | 2019-07-22 | 2019-10-25 | 新名医(北京)科技有限公司 | 一种生理期监测方法、装置、超声设备和存储介质 |
CN110378888B (zh) * | 2019-07-22 | 2022-01-25 | 新名医(北京)科技有限公司 | 一种生理期监测方法、装置、超声设备和存储介质 |
CN111275689A (zh) * | 2020-01-20 | 2020-06-12 | 平安科技(深圳)有限公司 | 医学影像识别检测方法、装置及计算机可读存储介质 |
WO2021147218A1 (zh) * | 2020-01-20 | 2021-07-29 | 平安科技(深圳)有限公司 | 医学影像识别检测方法、装置、设备及存储介质 |
CN113609971A (zh) * | 2021-08-04 | 2021-11-05 | 广州威拓电子科技有限公司 | 微地震观测设备的检查方法、装置、设备及存储介质 |
CN113842166A (zh) * | 2021-10-25 | 2021-12-28 | 上海交通大学医学院 | 基于超声影像设备的超声图像采集方法以及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109671062A (zh) | 超声图像检测方法、装置、电子设备及可读存储介质 | |
Yan et al. | 3D context enhanced region-based convolutional neural network for end-to-end lesion detection | |
Agaian et al. | A new acute leukaemia-automated classification system | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
Deng et al. | Classification of breast density categories based on SE-Attention neural networks | |
CN107280697A (zh) | 基于深度学习和数据融合的肺结节分级判定方法和*** | |
CN109770932A (zh) | 多模态脑部神经影像特征的处理方法 | |
CN110021425A (zh) | 一种比较检测器及其构建方法与***细胞检测方法 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN113808738B (zh) | 一种基于自识别影像的疾病识别*** | |
CN101551854B (zh) | 不平衡医学影像处理***及其处理方法 | |
CN109934278A (zh) | 一种信息增益混合邻域粗糙集的高维度特征选择方法 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
Polat | Multi-task semantic segmentation of CT images for COVID-19 infections using DeepLabV3+ based on dilated residual network | |
CN114399634B (zh) | 基于弱监督学习的三维图像分类方法、***、设备及介质 | |
CN113902669A (zh) | 一种尿脱落细胞液基涂片的阅片方法及*** | |
Kaliyugarasan et al. | Pulmonary nodule classification in lung cancer from 3D thoracic CT scans using fastai and MONAI | |
Li et al. | Ct scan synthesis for promoting computer-aided diagnosis capacity of covid-19 | |
Tang et al. | Detection of COVID-19 using deep convolutional neural network on chest X-ray (CXR) images | |
CN112990339B (zh) | 胃病理切片图像分类方法、装置及存储介质 | |
Nanthagopal et al. | A region-based segmentation of tumour from brain CT images using nonlinear support vector machine classifier | |
Ganeshkumar et al. | Two-stage deep learning model for automate detection and classification of lung diseases | |
CN112784924A (zh) | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 | |
CN107590806A (zh) | 一种基于大脑医学成像的检测方法和*** | |
CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的***和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |
|
RJ01 | Rejection of invention patent application after publication |