CN117351012B - 一种基于深度学习的胎儿图像识别方法及*** - Google Patents
一种基于深度学习的胎儿图像识别方法及*** Download PDFInfo
- Publication number
- CN117351012B CN117351012B CN202311643319.1A CN202311643319A CN117351012B CN 117351012 B CN117351012 B CN 117351012B CN 202311643319 A CN202311643319 A CN 202311643319A CN 117351012 B CN117351012 B CN 117351012B
- Authority
- CN
- China
- Prior art keywords
- data set
- image recognition
- fetal
- deep learning
- fetal image
- 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.)
- Active
Links
- 230000001605 fetal effect Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000009467 reduction Effects 0.000 claims abstract description 45
- 238000013136 deep learning model Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 230000004913 activation Effects 0.000 claims abstract description 7
- 230000006835 compression Effects 0.000 claims abstract description 7
- 238000007906 compression Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000002604 ultrasonography Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000011946 reduction process Methods 0.000 abstract description 2
- 210000003754 fetus Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30044—Fetus; Embryo
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的胎儿图像识别方法及***,涉及图像处理技术领域,本发明通过对数据集进行两次降维,首先通过计算数据集的潜在的空间维度;再根据潜在的空间维度对所述数据集降维;在降维过程中考虑了激活拓展路径、压缩权重矩阵等相关信息,相较于现有技术的降维方法,可有效降低数据集的维度,从而极大的提高后续的模型训练的效率;在对数据集进行第二次降维时,通过对低维数据集进行傅里叶变换和数据筛选,得到常规放射学特征数据,然后对所述放射学特征数据集采用拉普拉斯本征图方法进行降维处理,得到降维后的数据集;再输入至深度学习模型中训练,极大的提高了模型训练的精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于深度学习的胎儿图像识别方法及***。
背景技术
随着医学成像设备的快速发展和普及,成像技术在临床中得到了广泛应用,成为开展疾病诊断、手术计划制定、预后评估、随访不可或缺的辅助手段,医学图像分割能够从特定组织图像中提取关键信息,是实现医学图像可视化关键步骤。
胎儿超声图像结构复杂,易受到母体状况、胎儿位置及形态的影响,都增加了图像分析的难度,现有技术多以有经验的医生根据超声图像给出结论,导致分析效率低,且主观性强、准确率有待提高,因此深度学习模型被应用到胎儿超声图像识别中。有学者提出了基于深度学习的CNN(Convolutional Neural Networks,卷积神经网络)来克服现有问题。分层CNN架构用于解决胎儿异常图像识别框架的多目标约束,如配置和初始化、去除噪声、增强图像、脊椎位置检测、语义分割肋骨区域。对于每个胎儿超声图像的身体部位的估计,使用多个CNN架构,其中每个估计身体部位的CNN彼此相关。
上述识别方法需要训练多个模型,成本非常高,而且现有深度神经网络模型对胎儿图像识别时,现有模型的训练所需要的模型数据繁多,导致训练效率也较低。
因此,对低成本高效率的胎儿图像识别模型的研究十分必要。
发明内容
本发明的目的在于提供一种基于深度学习的胎儿图像识别方法及***,以解决现有技术中的模型训练效率较低且成本较高的问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于深度学习的胎儿图像识别方法,包括如下步骤:
步骤S1:获取具有诊断结论的超声波胎儿图像,对所述超声波胎儿图像进行预处理,得到预处理后的数据集x1;
步骤S2:对所述数据集x1进行第一次降维,得到数据集x2,具体步骤为:
步骤S21:计算所述数据集x1潜在的空间维度,所述潜在的空间维度计算公式为:
;
其中,为潜在的空间维度,/>为压缩路径的激活参数,W为压缩权重矩阵,b e 为压缩路径偏差;
步骤S22:根据所述潜在空间维度对所述数据集x1进行第一次降维,得到数据集x2,计算公式为:
;
其中,x2为第一次降维得到的数据集,是激活扩展路径,W T 为压缩权重矩阵的转置;
步骤S3:对所述数据集x2进行数据处理,得到数据集x3;
步骤S4:对所述数据集x3进行第二次降维,得到数据集x4;
步骤S5:采用所述数据集x4训练深度学习模型,得到训练好的胎儿图像识别模型;
步骤S6:步骤S6:将待预测图像输入至所述胎儿图像识别模型,输出胎儿图像的识别结果。
进一步的,在所述步骤S1中,对超声波胎儿图像进行预处理的具体为:使用平滑滤波器对所述超声波胎儿图像进行散斑噪声去除,得到平滑的去噪图像。
进一步的,在所述步骤S3中,对所述数据集x2进行数据处理,得到数据集x3具体为:
步骤S31,对所述数据集x2进行傅里叶变换;
步骤S32,选取放射组特征,根据所述放射组特征,对傅里叶变换后的数据集进行筛选,得到数据集x3。
进一步的,所述放射组特征包括:一阶统计量、灰度共生矩阵、基于形状的表达。
进一步的,在所述步骤S4中,对所述数据集x3进行第二次降维,得到数据集x4,具体为:采用拉普拉斯本征图方法对所述数据集x3进行降维,获取数据集x4。
进一步的,在所述步骤S5中,所述深度学习模型为UNet深度分割网络模型。
进一步的,在所述步骤S5中,所述深度学习模型的具体训练步骤为:
步骤S51:将所述数据集x4随机分为训练组和测试组;
步骤S52:使用所述训练组训练所述深度学习模型;
步骤S53:将所述测试组输入至所述深度学习模型,用于测试所述深度学习模型是否满足预设精度要求,若满足,则完成训练,得到训练好的胎儿图像识别模型,若不满足,则回到步骤S52,重新对所述深度学习模型进行训练。
一种基于深度学习的胎儿图像识别***,使用如上任一项所述的基于深度学习的胎儿图像识别方法,包括如下模块:
数据获取模块:用于获取多张具有诊断结论的超声波胎儿图像,对所述超声波胎儿图像进行预处理,得到预处理后的数据集x1;
降维处理模块:与所述数据获取模块连接,用于对所述数据集x1进行第一次降维,得到数据集x2,对所述数据集x2进行数据处理,得到数据集x3,对所述数据集x3进行第二次降维,得到数据集x4;
胎儿图像识别模型训练模块:与所述降维处理模块连接,用于采用所述数据集x4训练深度学习模型,得到训练好的胎儿图像识别模型;
结果输出模块:与所述胎儿图像识别模型训练模块连接,用于将待预测图像输入至所述胎儿图像识别模型,由所述胎儿图像识别模型实现胎儿形状的识别。
本发明与现有技术相比较具有如下有益效果:
其一,本发明在对数据集进行两次降维,第一次通过计算数据集的潜在的空间维度;再根据计算得出的潜在空间维度对所述数据集降维;在降维过程中考虑了激活拓展路径、压缩权重矩阵等相关信息,相较于现有技术的降维方法,可有效降低数据集的维度,从而极大的提高后续的模型训练的效率;
其二,在对数据集进行第二次降维时,通过对低维数据集进行傅里叶变换和数据筛选,得到常规放射学特征数据,然后对所述放射学特征数据集采用拉普拉斯本征图方法进行降维处理,得到降维后的数据集;再输入至深度学习模型中训练,极大的提高了模型训练的精度;
其三,本发明通过对数据降维,获得了包含胎儿图像识别的全面信息的训练数据,再对模型进行训练,使得获得的模型可以对胎儿超声图像的各个身体部位进行识别,即一个模型实现图像的全面识别,降低了模型训练的成本。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例1所述方法的流程示意图;
图2为本发明实施例2所述***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是,以下对各个概念的说明,仅为了使本申请的内容更加容易理解,并不表示对本申请保护范围的限定;同时,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
胎儿超声波图像有助于评估胎儿的生长发育。现有技术中,医生通过视觉估算胎儿的形状进而对胎儿的生长情况进行评价,这种估算的方式误差较大。本实施例通过对胎儿的超声波图像进行图像识别和分割,分割出所述胎儿的超声波图像中的胎儿形状,帮助医生对胎儿的生长状况进行评估。
如图1所示,本发明提供了一种基于深度学习的胎儿图像识别方法,包括如下步骤:
步骤S1:获取具有诊断结论的超声波胎儿图像,对所述超声波胎儿图像进行预处理,得到预处理后的数据集x1。
具体地,在所述S1中,对超声波胎儿图像进行预处理的步骤包括:
所述S11:使用平滑滤波器对超声波胎儿图像进行散斑噪声去除,得到平滑的去噪图像;
所述S12:选择尺寸为3×3和7×7的滤波器应用到方向平滑滤波器中;
所述S13:通过所述方向平滑滤波器对所有的所述去噪图像进行去噪处理,得到数据集x1。
通过本步骤的去噪步骤,可以改善所述超声图像的视觉外观,通过将平滑滤波器应用于超声图像,使所述超声图像更为平滑。
步骤S2:对所述数据集x1进行第一次降维,得到数据集x2。
具体步骤为:
首先计算所述数据集x1潜在的空间维度;
具体地,所述数据集x1具有512×512的空间维度,将所述数据集x1的空间维度减小到潜在的空间维度,所述潜在的空间维度计算公式为:
其中,表示潜在的空间维度,
是压缩路径的激活参数,
W表示压缩权重矩阵,
表示压缩路径偏差;
然后,根据计算得出的潜在空间维度对所述数据集x1进行第一次降维得到数据集x2;
具体地,根据计算得出的潜在空间维度对所述数据集x1进行第一次降维得到数据集x2的公式为:
式中,x2为第一次降维得到的数据集,是激活扩展路径,/>为压缩权重矩阵的转置。
相较于现有技术的降维方法,在本实施例中,通过首先计算潜在的空间维度,然后根据潜在的空间维度对所述数据集进行降维,可有效降低数据集的维度,并且,使得损失的图像特征信息较少,从而极大的提高后续的模型训练的效率。
步骤S3:对所述数据集x2进行数据处理,得到数据集x3。
对超声波图像来说,辐射特征可以分为不同的类别,例如,一阶特征,包括组织密度、形状特征(即体积和表面积)和纹理特征。
具体地,在所述步骤S3中,对所述低维数据集x2进行傅里叶变换,得到常规放射学特征数据集x3具体为:对所述低维度数据集x2进行傅里叶变换,然后选取三类放射组特征,即一阶统计量、灰度共生矩阵、基于形状的表达,得到354个放射学特征后保存至特定的数组中,得到常规放射学特征数据集x3。
一阶统计量是指直接基于原始图像的像素灰度分布而计算出来的特征值;
灰度共生矩阵是一种用于描述图像纹理特征的统计方法,通过分析图像中像素之间的空间关系和灰度级别的统计分布来捕捉图像纹理特征的,可以用于图像分类、纹理识别、图像分割等多个计算机视觉任务;
基于形状的表达是根据胎儿超声图像的每个身体部位进行识别。
在选择放射组特征提取所用到的方法时,本发明考虑到胎儿超声图像结构复杂,易受到母体状况、胎儿位置及形态的影响,且胎儿与母体的连接区域模糊不易划分,都增加了图像分析的难度,本发明通过获取一阶统计量得到所述胎儿超声图像的特征值,再通过灰度共生矩阵对得到的特征值进行分析,并根据胎儿超声图像进行基于形状的表达,最终保留每个身体部位的必要特征,这种从计算特征值到分析再到识别的处理,可以在保留图像特征的前提下降低数据量,从而进一步实现提高识别速度和识别精确度的目的。
步骤S4:对所述数据集x3进行第二次降维,得到数据集x4。
具体地,在所述步骤S4中,对所述数据集x3通过降维路径进行降维的方式是:采用拉普拉斯本征图方法对所述放射学特征数据集x3进行降维,将具有354个放射组的所述放射学特征数据集x3降低到具有12个放射组的数据集x4;
步骤S5:采用所述数据集x4训练深度学习模型,得到训练好的胎儿图像识别模型。
所述深度学习模型为UNet深度分割网络模型。
在神经网络结构中,UNet架构适用于许多医学成像模式中分割各种目标或器官方面,可以通过较少数量的训练图片,就能预测像素点类别,并且医学图像的数据量与UNet模型体量上相匹配,可以有效避免过拟合;因此,本发明选择了原始UNet深度分割网络来识别胎儿的形状。
具体地,在所述步骤S5中,训练所述深度学习模型的具体步骤为:
步骤S51:将所述数据集x4随机分为训练组和测试组;
步骤S52:使用所述训练组训练所述深度学习模型;
步骤S53:将所述测试组输入至所述深度学习模型,用于测试所述深度学习模型是否满足预设精度要求,若满足,则完成训练,得到训练好的胎儿图像识别模型,若不满足,则回到步骤S52,重新对所述深度学习模型进行训练。
更近一步地,所述模型参数为训练步长、学习率等参数。
步骤S6:将待预测图像输入至所述胎儿图像识别模型,输出胎儿图像的识别结果。
本发明通过对原始数据集依次进行预处理、数据集降维、特征提取、特征降维,在对数据影响较小的情况下实现了数据降维,使得用作训练UNet深度分割网络模型的训练集数据量大大减少,从而减小了计算成本,加快了计算速度。
实施例2
如图2所示,本发明还提出一种基于深度学习的胎儿图像识别***,使用如实施例1任一项所述的基于深度学习的胎儿图像识别方法,包括如下模块:
数据获取模块:用于获取多张具有诊断结论的超声波胎儿图像,对所述超声波胎儿图像进行预处理,得到预处理后的数据集x1;
降维处理模块:与所述数据获取模块连接,用于对所述数据集x1进行第一次降维,得到数据集x2,对所述数据集x2进行数据处理,得到数据集x3,对所述数据集x3进行第二次降维,得到数据集x4;
胎儿图像识别模型训练模块:与所述降维处理模块连接,用于采用所述数据集x4训练深度学习模型,得到训练好的胎儿图像识别模型;
结果输出模块:与所述胎儿图像识别模型训练模块连接,用于将待预测图像输入至所述胎儿图像识别模型,由所述胎儿图像识别模型实现胎儿形状的识别。
实施例3
本实施例包括一种计算机可读存储介质,所述计算机可读存储介质上存储有数据处理程序,所述数据处理程序被处理器执行实施例1的基于深度学习的胎儿图像识别方法。
本领域技术人员应明白,本文的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是,本申请所用术语仅为了描述特定实施例,而非限制本申请范围。如本申请说明书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。术语“包括”、“包含”或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、方法或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,或是还包括为这种过程、方法或设备所固有的要素。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、方法或设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
以上所述的实施例及/或实施方式,仅是用以说明实现本发明技术的较佳实施例及/或实施方式,并非对本发明技术的实施方式作任何形式上的限制,任何本领域技术人员,在不脱离本发明内容所公开的技术手段的范围,当可作些许的更动或修改为其它等效的实施例,但仍应视为与本发明实质相同的技术或实施例。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。以上所述仅是本申请的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以作出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其他场合的,均应视为本申请的保护范围。
Claims (8)
1.一种基于深度学习的胎儿图像识别方法,其特征在于,包括如下步骤:
步骤S1:获取具有诊断结论的超声波胎儿图像,对所述超声波胎儿图像进行预处理,得到预处理后的数据集x1;
步骤S2:对所述数据集x1进行第一次降维,得到数据集x2,具体步骤为:
步骤S21:计算所述数据集x1潜在的空间维度,所述潜在的空间维度计算公式为:
;
其中,为潜在的空间维度,/>为压缩路径的激活参数,W为压缩权重矩阵,be为压缩路径偏差;
步骤S22:根据所述潜在空间维度对所述数据集x1进行第一次降维,得到数据集x2,计算公式为:
;
其中,x2为第一次降维得到的数据集,是扩展路径的激活参数,W T 为压缩权重矩阵的转置;
步骤S3:对所述数据集x2进行数据处理,得到数据集x3;
步骤S4:对所述数据集x3进行第二次降维,得到数据集x4;
步骤S5:采用所述数据集x4训练深度学习模型,得到训练好的胎儿图像识别模型;
步骤S6:将待预测图像输入至所述胎儿图像识别模型,输出胎儿图像的识别结果。
2.根据权利要求1所述的一种基于深度学***滑滤波器对所述超声波胎儿图像进行散斑噪声去除,得到平滑的去噪图像。
3.根据权利要求1所述的一种基于深度学习的胎儿图像识别方法,其特征在于,在所述步骤S3中,对所述数据集x2进行数据处理,得到数据集x3具体为:
步骤S31,对所述数据集x2进行傅里叶变换;
步骤S32,选取放射组特征,根据所述放射组特征,对傅里叶变换后的数据集进行筛选,得到数据集x3。
4.根据权利要求3所述的一种基于深度学习的胎儿图像识别方法,其特征在于,所述放射组特征包括:一阶统计量、灰度共生矩阵、基于形状的表达。
5.根据权利要求1所述的一种基于深度学习的胎儿图像识别方法,其特征在于,在所述步骤S4中,对数据集x3进行第二次降维,得到数据集x4,具体为:采用拉普拉斯本征图方法对所述数据集x3进行降维,获取数据集x4。
6.根据权利要求1所述的一种基于深度学习的胎儿图像识别方法,其特征在于,在所述步骤S5中,所述深度学习模型为UNet深度分割网络模型。
7.根据权利要求6所述的一种基于深度学习的胎儿图像识别方法,其特征在于,在所述步骤S5中,所述深度学习模型的具体训练步骤为:
步骤S51:将所述数据集x4随机分为训练组和测试组;
步骤S52:使用所述训练组训练所述深度学习模型;
步骤S53:将所述测试组输入至所述深度学习模型,用于测试所述深度学习模型是否满足预设精度要求,若满足,则完成训练,得到训练好的胎儿图像识别模型,若不满足,则回到步骤S52,重新对所述深度学习模型进行训练。
8.一种基于深度学习的胎儿图像识别***,使用如权利要求1-7任一项所述的基于深度学习的胎儿图像识别方法,其特征在于,包括如下模块:
数据获取模块:用于获取多张具有诊断结论的超声波胎儿图像,对所述超声波胎儿图像进行预处理,得到预处理后的数据集x1;
降维处理模块:与所述数据获取模块连接,用于对所述数据集x1进行第一次降维,得到数据集x2,对所述数据集x2进行数据处理,得到数据集x3,对所述数据集x3进行第二次降维,得到数据集x4;
胎儿图像识别模型训练模块:与所述降维处理模块连接,用于采用所述数据集x4训练深度学习模型,得到训练好的胎儿图像识别模型;
结果输出模块:与所述胎儿图像识别模型训练模块连接,用于将待预测图像输入至所述胎儿图像识别模型,由所述胎儿图像识别模型实现胎儿形状的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311643319.1A CN117351012B (zh) | 2023-12-04 | 2023-12-04 | 一种基于深度学习的胎儿图像识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311643319.1A CN117351012B (zh) | 2023-12-04 | 2023-12-04 | 一种基于深度学习的胎儿图像识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351012A CN117351012A (zh) | 2024-01-05 |
CN117351012B true CN117351012B (zh) | 2024-03-12 |
Family
ID=89357825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311643319.1A Active CN117351012B (zh) | 2023-12-04 | 2023-12-04 | 一种基于深度学习的胎儿图像识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351012B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321968A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 一种超声图像分类装置 |
WO2020081582A1 (en) * | 2018-10-16 | 2020-04-23 | Anixa Diagnostics Corporation | Methods of diagnosing cancer using multiple artificial neural networks to analyze flow cytometry data |
WO2023274512A1 (en) * | 2021-06-29 | 2023-01-05 | Brainlab Ag | Method for training and using a deep learning algorithm to compare medical images based on dimensionality-reduced representations |
CN116503607A (zh) * | 2023-06-28 | 2023-07-28 | 天津市中西医结合医院(天津市南开医院) | 一种基于深度学习的ct图像分割方法和*** |
CN116848549A (zh) * | 2022-01-13 | 2023-10-03 | 博医来股份公司 | 经由降维投影的图像结构的检测 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11717686B2 (en) * | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
WO2021173763A1 (en) * | 2020-02-28 | 2021-09-02 | Spectral Md, Inc. | Machine learning systems and methods for assessment, healing prediction, and treatment of wounds |
-
2023
- 2023-12-04 CN CN202311643319.1A patent/CN117351012B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020081582A1 (en) * | 2018-10-16 | 2020-04-23 | Anixa Diagnostics Corporation | Methods of diagnosing cancer using multiple artificial neural networks to analyze flow cytometry data |
CN110321968A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 一种超声图像分类装置 |
WO2023274512A1 (en) * | 2021-06-29 | 2023-01-05 | Brainlab Ag | Method for training and using a deep learning algorithm to compare medical images based on dimensionality-reduced representations |
CN116848549A (zh) * | 2022-01-13 | 2023-10-03 | 博医来股份公司 | 经由降维投影的图像结构的检测 |
CN116503607A (zh) * | 2023-06-28 | 2023-07-28 | 天津市中西医结合医院(天津市南开医院) | 一种基于深度学习的ct图像分割方法和*** |
Non-Patent Citations (2)
Title |
---|
3D-ANAS: 3D Asymmetric Neural Architecture Search for Fast Hyperspectral Image Classification;Haokui Zhang et al;《arXiv:2101.04287v1》;第1-19页 * |
基于流形学习的数据降维算法研究;罗廷金;《中国优秀硕士学位论文全文数据库 信息科技辑》;第1-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117351012A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN109685060B (zh) | 图像处理方法和装置 | |
EP3770850A1 (en) | Medical image identifying method, model training method, and computer device | |
EP3869387A1 (en) | Method and device for three-dimensional image semantic segmentation, terminal and storage medium | |
CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
US10853409B2 (en) | Systems and methods for image search | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
CN110956632B (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及*** | |
CN111462049A (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
WO2021183765A1 (en) | Automated detection of tumors based on image processing | |
JP2010207572A (ja) | 障害のコンピュータ支援検出 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN111915626A (zh) | 心脏超声图像的心室区域自动分割方法、装置及存储介质 | |
CN115240240A (zh) | 基于yolo网络的红外人脸识别方法及*** | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
CN116030063B (zh) | Mri图像的分类诊断***、方法、电子设备及介质 | |
CN117351012B (zh) | 一种基于深度学习的胎儿图像识别方法及*** | |
CN113724185A (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
Li et al. | Classify and explain: An interpretable convolutional neural network for lung cancer diagnosis | |
CN116777893A (zh) | 一种基于乳腺超声横纵切面特征结节的分割与识别方法 | |
Shoaib et al. | Comparative studies of deep learning segmentation models for left ventricle segmentation | |
CN115909016A (zh) | 基于GCN分析fMRI图像的***、方法、电子设备及介质 | |
CN114360695B (zh) | 乳腺超声扫查分析辅助***、介质及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |