[發明專利]一種乳腺超聲造影視頻中病灶區形態自動標注方法

有效

• 申請號: 202010159426.7
• 申請日: 2020-03-09
• 公開（公告）號: CN111462049B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 龔勛;趙緒;楊子奇;鄒海鵬
• 申請（專利權）人: 西南交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06V10/764;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

本發明公開了一種乳腺超聲造影視頻中病灶區形態自動標注方法，設計一個端到端的網絡模型結構只需將待識別數據送入模型中，模型自動對每幀圖像進行卷積操作，提取出分類依據的判別特征。整個識別過程中無需人工勾畫病灶區范圍，因為某些病灶形態特征描述有關正常組織下的造影變化與病變組織造影變化對比，如增強強度、增強時序等，因此使用卷積神經網絡中的卷積自動對整個造影視頻幀序列進行卷積計算，通過計算得出的特征值表現出正常組織與病變區域的映射數據，并根據網絡規則進行對比得出結果。此外，如蟹足狀、增強順序等形態特征，使用所設計網絡對視頻連續幀的時空特征自動計算出該形態動態變化所對應的特征。

技術領域

本發明涉及醫學超聲影像數據處理領域，具體涉及一種乳腺超聲造影視頻中病灶區形態自動標注方法。

背景技術

相對自然圖像的處理，醫學超聲影像數據因其自身噪聲大、分辨率低、數據量少等特點而導致使用常見機器學習、深度學習方法對圖像的特征學習效果不佳。本發明設計一種智能標注方法，可以實現超聲造影中病灶形態特征的自動標注，標注結果可以用于后續數據分析、機器學習、數據存檔、醫療輔助，具有重要的應用價值。

利用造影劑在傳統超聲成像中應用，可以有效的增強超聲波的反射，使得超聲圖像相對清晰。專業醫生常常需要肉眼觀察超聲造影視頻中病灶的動態變化，記錄這些病變部位特征狀況及形態變化，為病變結節診斷提供輔助診斷信息以及在后續治療過程中提供數據信息輔助病情觀察。醫生工作時，主觀經驗下肉眼判斷導致的誤差難以保證病灶特征形態記錄準確性。

發明內容

為解決現有技術中存在的問題，本發明提供了一種乳腺超聲造影視頻中病灶區形態自動標注方法，解決了上述背景技術中提到的問題。

為實現上述目的，本發明提供如下技術方案：一種乳腺超聲造影視頻中病灶區形態自動標注方法，采用了卷積神經網絡架構，實現自動提取超聲造影視頻中病灶形態特征參數信息完成形態識別分類，對該病例數據進行病灶標注，步驟如下：

S1，構建乳腺超聲造影多標簽數據集，以醫院提供的乳腺超聲視頻數據以幀為單位將每個病例中超聲造影視頻處理為連續圖像，使用單獨文件夾存放每個病例的超聲造影幀序列圖像；

S2，將步驟S1整理好的數據進行預處理，使用邊緣增強的各向異性擴散去噪算法進行圖像去燥處理，使得數據集去除超聲圖像斑點噪聲，保持超聲圖像中的細節特征及邊緣特征；

S3,將步驟S2中去燥的數據的每個病例文件存放地址與對應醫生記錄的每個病例的病灶形態特征文本作為一個樣本保存為json文件，因每個超聲病例視頻都包含上述形態類型，因此需要將標簽制作為多標簽進行類別標記；

S4,將步驟S3中訓練數據集每個像素的3個通道都先減去127.5后除以128得到歸一化后的超聲造影視頻序像素值；

S5,為了利用端到端的分類模型完成形態識別，設計了3D網絡,所述3D網絡使用殘差網絡resnet50結合C3D網絡作為基礎訓練網絡，包括8個模塊，每個模塊包括卷積層，卷積核大小為:3×3×3，步長為:1×1×1；使用遷移自然圖像分類任務將殘差網絡resnet50預訓練后，將步驟S4的樣本傳入網絡結構中進行網絡模型權重參數的計算，詳細計算步驟如下所示；

S6,網絡的輸入為16張大小為224*224的超聲造影連續幀，根據是否為第一個模塊，對輸入數據或者上層網絡的特征圖feature map使用C3D網絡進行樣本時空特征提取；

S7,使用預訓練好的殘差網絡resnet50，根據是否為第一個模塊，接收輸入數據或者上層網絡的特征圖feature map，進行空間特征信息提取，平均所有feature map的結果后作為該層的整個空間特征殘差塊；同時根據是否為第一個模塊，使用3*1*1的一維時間卷積對輸入數據或者上層網絡的特征圖feature map進行時間序列特征提取；