[發明專利]一種超聲容積生物學參數的測量方法及測量系統

有效

• 申請號: 201710801637.4
• 申請日: 2017-09-07
• 公開（公告）號: CN107766874B
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 沈燕紅;李永煒
• 申請（專利權）人: 深圳度影醫療科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;A61B8/08
• 代理公司: 廣州高炬知識產權代理有限公司 44376
• 代理人: 董博

1.一種超聲容積生物學參數的測量方法，其特征在于，包括下述步驟：

訓練分類器；

在所述分類器中輸入超聲容積數據；

基于所述分類器分割出所述超聲容積數據中的解剖結構；及

根據所述解剖結構獲取解剖結構容積，

其中，訓練分類器包括下述步驟：

輸入帶標注的超聲容積數據；

根據所述帶標注的超聲容積數據，采用深度學習模型訓練得到所述分類器;

在完成輸入帶標注的超聲容積數據的步驟之后，進行采用深度學習模型訓練得到所述分類器的步驟之前，還包括對所述輸入帶標注的超聲容積數據進行預處理的步驟；

在完成輸入帶標注的超聲容積數據進行預處理的步驟后，進行采用深度學習模型訓練得到所述分類器的步驟之前，還包括對所述帶標注的超聲容積數據進行增強處理的步驟；

所述深度學習模型為深度神經網絡，采用所述深度學習模型訓練可得到三維全卷積神經網絡分類器，所述三維全卷積神經網絡分類器將獲得的超聲容積數據的初始概率分布，再將所述容積數據的初始概率分布劃分為多個小的容積數據，并將所述多個小的容積數據連接在一起形成的序列輸入到RNN網絡模型優化，得到分割后的解剖結構。

2.根據權利要求1所述的超聲容積生物學參數的測量方法，其特征在于，在完成在所述分類器中輸入超聲容積數據的步驟后，進行分割出所述超聲容積數據中的解剖結構的步驟前，還包括對所述超聲容積數據進行預處理的步驟。

3.根據權利要求2所述的超聲容積生物學參數的測量方法，其特征在于，在完成基于所述分類器分割出所述超聲容積數據中的解剖結構步驟后，進行根據所述解剖結構獲取解剖結構容積的步驟前，還包括對所述解剖結構進行后處理的步驟。

4.根據權利要求3所述的超聲容積生物學參數的測量方法，其特征在于，所述后處理包括將所述解剖結構中孤立的、或者區域很小的體素從所述解剖結構中去除。

5.根據權利要求1所述的超聲容積生物學參數的測量方法，其特征在于，所述預處理包括圖像灰度的零均值化處理和歸一化處理。

6.根據權利要求5所述的超聲容積生物學參數的測量方法，其特征在于，所述增強處理包括平移、旋轉和鏡像。

7.一種超聲容積生物學參數的測量系統，其特征在于，包括：

訓練模塊，用于訓練分類器；

輸入模塊，用于在所述分類器中輸入超聲容積數據；

解剖模塊，用于基于所述分類器分割出所述超聲容積數據中的解剖結構；

計算模塊，用于根據所述解剖結構獲取解剖結構容積；

其中，訓練分類器包括下述步驟：

輸入帶標注的超聲容積數據；

根據所述帶標注的超聲容積數據，采用深度學習模型訓練得到所述分類器;

在完成輸入帶標注的超聲容積數據的步驟之后，進行采用深度學習模型訓練得到所述分類器的步驟之前，還包括對所述輸入帶標注的超聲容積數據進行預處理的步驟；

在完成輸入帶標注的超聲容積數據進行預處理的步驟后，進行采用深度學習模型訓練得到所述分類器的步驟之前，還包括對所述帶標注的超聲容積數據進行增強處理的步驟；

所述深度學習模型為深度神經網絡，采用所述深度學習模型訓練可得到三維全卷積神經網絡分類器，所述三維全卷積神經網絡分類器將獲得的超聲容積數據的初始概率分布，再將所述容積數據的初始概率分布劃分為多個小的容積數據，并將所述多個小的容積數據連接在一起形成的序列輸入到RNN網絡模型優化，得到分割后的解剖結構。