[發(fā)明專利]卷積神經(jīng)網(wǎng)絡訓練方法、超聲圖像識別定位方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201811000281.5
• 申請日: 2018-08-28
• 公開（公告）號: CN109447940B
• 公開（公告）日: 2021-09-28
• 發(fā)明（設計）人: 李祥春;張晟;高明;張強;魏璽;張侖;陳可欣
• 申請（專利權）人: 天津醫(yī)科大學腫瘤醫(yī)院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/73;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 吳夢圓

1.一種用于超聲圖像識別定位的卷積神經(jīng)網(wǎng)絡的訓練方法，其特征在于，包括以下步驟：

步驟A，建立卷積神經(jīng)網(wǎng)絡模型；

步驟B，以ImageNet上訓練好的卷積神經(jīng)網(wǎng)絡模型作為起點，以不同網(wǎng)絡結/層讀取訓練數(shù)據(jù)集中的整張B超圖像，然后用B超圖像去進行微調，進行神經(jīng)網(wǎng)絡模型遷移學習；其中，所述訓練數(shù)據(jù)集中的圖像來自單中心、多臺機器的B超檢查圖像，并以病理檢查結果進行標記；

步驟C，通過回歸完成物體位置和類別判定；

步驟C中卷積神經(jīng)網(wǎng)絡模型采用的物體檢測算法是一個端到端的目標檢測算法，它將圖像劃分為均勻網(wǎng)格，每個網(wǎng)格單元預測這些網(wǎng)格的邊界框和置信度分數(shù)，其中置信度分數(shù)反映了所述卷積神經(jīng)網(wǎng)絡模型對定位及預測物體的準確度；所述卷積神經(jīng)網(wǎng)絡模型把輸入圖像劃分成S×S的網(wǎng)格，預測物體邊框、置信度，同時計算是某類物體的概率；預測結果被編碼為一個S×S×(B×5+C)的張量，其中，S×S為網(wǎng)格數(shù)，C為類別數(shù)、B為邊框數(shù)據(jù)；

所述卷積神經(jīng)網(wǎng)絡模型使用均方誤差作為目標損失函數(shù)，衡量網(wǎng)絡預測結果S×S×(B×5+C)維張量跟實際圖像中物體對應的S×S×(B×5+C)維張量的偏倚程度，目標損失函數(shù)loss表示為：

其中CoordinateError為位置誤差、IoUError為交除并誤差、ClassError為分類誤差；

所述目標損失函數(shù)loss進一步展開得到如下式子：

其中，所述式子中的第一項、第二項表示位置誤差，第三項表示IoU誤差，第四項表示分類誤差，x、y、w、h、C、p為預測值，為實際標注值；其中代表物體出現(xiàn)在第i個網(wǎng)格中，代表第i個網(wǎng)格中的第j個邊框對預測有貢獻；位置誤差、IoU誤差和分類誤差對損失函數(shù)的貢獻度通過λ_coordλ_coord和λ_noobj進行修正；

在完成模型訓練之后，通過畫出類別激活圖去判斷輸入圖像中哪些區(qū)域對預測結果貢獻最大，并與專家看圖所使用的特征進行比較，印證訓練好的卷積神經(jīng)網(wǎng)絡模型所使用的特征跟人類專家所用的特征是否一致。

2.如權利要求1所述的訓練方法，所述卷積神經(jīng)網(wǎng)絡模型由卷積層和池化層構成；所述卷積神經(jīng)網(wǎng)絡模型交替使用1×1的卷積層。

3.如權利要求1所述的訓練方法，其特征在于，所述步驟B中用B超圖像進行微調的具體步驟包括：

步驟B1，在源數(shù)據(jù)集上訓練出一個卷積神經(jīng)網(wǎng)絡；

步驟B2，將輸出層改成適合目標數(shù)據(jù)的大小；

步驟B3，將輸出層權重初始化為隨機值，其他層權重不變；

步驟B4，用目標數(shù)據(jù)訓練網(wǎng)絡。

4.如權利要求1所述的訓練方法，其特征在于，步驟B中所使用的B超圖像在訓練模型之前進行了脫敏和清洗，且使用病理檢查結果作為金標準劃分病變的良惡性。

5.一種超聲圖像識別定位的方法，其特征在于，包括以下步驟：

基于如權利要求1～4任一項所述的訓練方法預先訓練得到的卷積神經(jīng)網(wǎng)絡模型對待識別的超聲圖像進行識別。

6.一種超聲圖像識別定位系統(tǒng)，其特征在于，包括：

存儲器，用于存儲用于執(zhí)行如權利要求5所述的超聲圖像識別定位方法的程序；

處理器，用于執(zhí)行存儲器中存儲的程序。

7.如權利要求6所述的超聲圖像識別定位系統(tǒng)，其特征在于，所述處理器為單片機、臺式機、平板電腦、筆記本電腦、計算機網(wǎng)絡、可編程邏輯控制器中的任意一種處理器。