[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的超聲圖像分類方法

有效

• 申請?zhí)枺?/td>: 201811315959.9
• 申請日: 2018-11-01
• 公開（公告）號(hào): CN111126424B
• 公開（公告）日: 2023-06-23
• 發(fā)明（設(shè)計(jì)）人: 袁杰;湯鍵;金志斌;吳敏
• 申請（專利權(quán)）人: 南京大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06V10/774;G06T5/40;G06N3/0464;G06N3/096
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的超聲圖像分類方法。包括以下步驟：使用多次裁剪、添加高斯噪聲、對圖像進(jìn)行直方圖均衡的方法對數(shù)據(jù)集進(jìn)行增廣；利用交叉訓(xùn)練策略進(jìn)行目標(biāo)檢測神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，并驗(yàn)證測試；利用加載預(yù)訓(xùn)練模型和微調(diào)的遷移學(xué)習(xí)方法進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的調(diào)優(yōu)，并驗(yàn)證測試；利用目標(biāo)檢測神經(jīng)網(wǎng)絡(luò)進(jìn)行超聲圖像中目標(biāo)區(qū)域的定位，并利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行超聲圖像的分類評(píng)估。

技術(shù)領(lǐng)域

本發(fā)明涉及超聲圖像分析領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的超聲圖像分類方法。

背景技術(shù)

超聲成像技術(shù)是醫(yī)學(xué)成像中的一種重要成像方式，對超聲圖像的自動(dòng)化診斷技術(shù)有利于輔助臨床診斷以及醫(yī)生培訓(xùn)。傳統(tǒng)超聲圖像分類方法使用中存在諸多不利因素：1.培訓(xùn)時(shí)間長，財(cái)務(wù)成本高；2.患者檢查時(shí)間較長；3.醫(yī)生人為因素所導(dǎo)致的不可避免的準(zhǔn)確性、可靠性和一致性問題。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有超聲圖像分類方法一致性和可靠性較差的情況，基于深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)以及基本的圖像處理方法，提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的超聲圖像分類方法，實(shí)現(xiàn)了對圖像中目標(biāo)區(qū)域的定位和對超聲圖像的分類評(píng)估。

為了解決上述技術(shù)問題，本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的超聲圖像分類方法，包括如下步驟：

步驟1，使用多次裁剪、添加高斯噪聲、對圖像進(jìn)行直方圖均衡的方法對數(shù)據(jù)集進(jìn)行增廣；

步驟2，利用交叉訓(xùn)練策略進(jìn)行目標(biāo)檢測神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，并驗(yàn)證測試；

步驟3，利用加載預(yù)訓(xùn)練模型和微調(diào)的遷移學(xué)習(xí)方法進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的調(diào)優(yōu)，并驗(yàn)證測試；

步驟4，利用目標(biāo)檢測神經(jīng)網(wǎng)絡(luò)進(jìn)行超聲圖像中目標(biāo)區(qū)域的定位，并利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行超聲圖像的分類評(píng)估。

步驟1中，數(shù)據(jù)集增廣所使用的圖像是從原圖中多次裁剪出的包含目標(biāo)區(qū)域的圖像子塊，其目的在于去除無效黑色區(qū)域以及標(biāo)記信息，防止干擾網(wǎng)絡(luò)訓(xùn)練。裁剪圖像塊時(shí)在中心目標(biāo)區(qū)域及其偏左、偏右、偏下區(qū)域共裁剪四次。

步驟1中，數(shù)據(jù)集增廣手段之一是對超聲圖像添加高斯白噪聲，其直方圖曲線服從一維高斯分布：

其中σ為標(biāo)準(zhǔn)差，為均值。

步驟1中，數(shù)據(jù)集增廣手段之一是對超聲圖像進(jìn)行直方圖均衡，即對原始圖像中的像素灰度做某種映射變換，使變換后的圖像灰度的概率密度均勻分布。對于離散圖像，假定數(shù)字圖像中總像素為N，灰度級(jí)總數(shù)為M個(gè)，第k個(gè)灰度級(jí)的值為r_k，圖像中具有灰度級(jí)r_k的像素?cái)?shù)目為n_k，則該圖像中灰度級(jí)r_k的像素出現(xiàn)概率為：

對其進(jìn)行均勻化處理的變換函數(shù)為：

利用變換函數(shù)對圖像做灰度變換，即可得到直方圖均衡化后的圖像。

步驟2中，采用的目標(biāo)檢測網(wǎng)絡(luò)為Faster?R-CNN，該目標(biāo)檢測網(wǎng)絡(luò)由RPN網(wǎng)絡(luò)和Fast?R-CNN網(wǎng)絡(luò)組成，RPN網(wǎng)絡(luò)用以提取候選區(qū)域，F(xiàn)ast?R-CNN采用RPN網(wǎng)絡(luò)提供的候選區(qū)域生成最終的定位結(jié)果。

Faster?R-CNN的損失函數(shù)為多任務(wù)聯(lián)合損失函數(shù)，用以同時(shí)訓(xùn)練目標(biāo)分類以及邊界框回歸，計(jì)算方式為：

L_cls＝-log?p_u