[發明專利]一種提升深度學習識別B超圖像穩定性的方法

在審

• 申請號: 201811354227.0
• 申請日: 2018-11-14
• 公開（公告）號: CN109472313A
• 公開（公告）日: 2019-03-15
• 發明（設計）人: 林江莉;韓霖;陳科
• 申請（專利權）人: 四川大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 成都頂峰專利事務所(普通合伙) 51224
• 代理人: 李永生

1.一種提升深度學習識別B超圖像穩定性的方法，其特征在于：包括以下步驟：

A、準備訓練數據：結合目標B超圖像輪廓和其類別標簽生成圖像語義分割標簽；

B、訓練：使用語義分割模型來訓練B超圖像輪廓～語義分割標簽的映射，獲得訓練后的語義分割網絡深度學習模型；

C、識別：將待識別的圖像送入訓練后的語義分割網絡深度學習模型，得到不同類別的分割區域，獲得各區域的分割結果。

2.根據權利要求1所述的提升深度學習識別B超圖像穩定性的方法，其特征在于：步驟A具體包括以下過程：

A1、進行分類：獲得每幅B超圖像中待識別對象的分類類別信息；

A2、獲取輪廓：獲得每幅圖像中待識別對象的輪廓；

A3、生成標簽：根據分類類別信息和輪廓生成訓練的目標標簽，標簽為n通道二值化圖像；標簽可以不包含背景通道：此時n等于分類數，對應類別的通道圖像為對象輪廓，其它通道的圖像均為0；標簽也可包含背景通道：此時n等于分類數加1，對應類別的通道圖像為對象輪廓，背景通道圖像為輪廓的補集，其它通道的圖像均為0。

3.根據權利要求1所述的提升深度學習識別B超圖像穩定性的方法，其特征在于：步驟B具體包括以下過程：

B1、將B超圖像送入語義分割網絡深度學習模型，計算多通道分割結果，并將其與標簽比較，計算損失誤差；

B2、使用反向傳播算法和隨機梯度下降算法來調整語義分割網絡深度學習模型的權值，以降低損失誤差；

B3、不斷重復上述B1-B2過程，直到達到穩定的結果。

4.根據權利要求3所述的提升深度學習識別B超圖像穩定性的方法，其特征在于：步驟C具體包括以下過程：

C1、將待識別的B超圖像送入已訓練的語義分割網絡深度學習模型，得到對應類別的分割結果；

C2、根據每個類別的分割結果來計算B超圖像中待識別對象的類別。

5.根據權利要求4所述的提升深度學習識別B超圖像穩定性的方法，其特征在于，步驟C2中根據每個類別的分割結果來計算B超圖像中待識別對象的類別，類別的計算方法為以下三種方式中的任意一種：

第一種，比較各通道像素點概率之和；

第二種，比較各通道面積大小；

第三種，以某通道面積比例閾值作為判定結果。