[發(fā)明專利]一種頸部淋巴結(jié)圖像分類識別裝置及方法

有效

• 申請?zhí)枺?/td>: 202010161284.8
• 申請日: 2020-03-10
• 公開（公告）號: CN111369546B
• 公開（公告）日: 2023-07-18
• 發(fā)明（設(shè)計）人: 傅湘玲;吳及;高桐;郭辰儀;歐陽天雄
• 申請（專利權(quán)）人: 北京郵電大學(xué);清華大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06N3/0464;G06V10/80;G06V10/774
• 代理公司: 北京格允知識產(chǎn)權(quán)代理有限公司 11609
• 代理人: 張莉瑜

本發(fā)明涉及一種頸部淋巴結(jié)圖像分類識別裝置及方法，該方法包括：獲取多組確定分類類別的淋巴結(jié)數(shù)據(jù)圖，每組淋巴結(jié)數(shù)據(jù)圖包括由同一臺彩色超聲機(jī)檢測產(chǎn)生的超聲圖像和相應(yīng)的多普勒圖像；對各組淋巴結(jié)數(shù)據(jù)圖中的超聲圖像和相應(yīng)的多普勒圖像進(jìn)行模態(tài)對齊，得到雙模態(tài)樣本；構(gòu)建深度學(xué)習(xí)模型，利用多組所述雙模態(tài)樣本對其進(jìn)行訓(xùn)練；其中，所述深度學(xué)習(xí)模型包括兩個相同的殘差網(wǎng)絡(luò)、一個特征維度拼接層和一個輸出網(wǎng)絡(luò)；獲取待識別的淋巴結(jié)圖像，生成相應(yīng)的輸入樣本后，輸入訓(xùn)練好的所述深度學(xué)習(xí)模型進(jìn)行分類識別，得到識別結(jié)果。本發(fā)明可提升頸部淋巴結(jié)圖像分類識別的準(zhǔn)確率和識別效率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種頸部淋巴結(jié)圖像分類識別裝置及方法。

背景技術(shù)

頸淋巴結(jié)腫大是臨床常見的表現(xiàn)，頸部淋巴結(jié)腫大的原因很多，包括各種感染和非感染性因素引起的反應(yīng)性增生、腫瘤性淋巴結(jié)病、其他疾病等。臨床上初期檢查往往使用超聲檢測的方式，具有無創(chuàng)性、易接近、成本低、輻射少的優(yōu)勢。

為更加快速、準(zhǔn)確地識別超聲檢測圖像中的淋巴結(jié)腫大，有研究者提出了以深度學(xué)習(xí)的方式，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)，自動識別分類二維超聲檢測得到的淋巴結(jié)圖像。但現(xiàn)有技術(shù)中用于訓(xùn)練機(jī)器學(xué)習(xí)模型的淋巴結(jié)圖像特征集往往需要人工設(shè)定，過于依賴于人工經(jīng)驗，一方面，若關(guān)鍵特征在初始階段未被納入特征集，則機(jī)器學(xué)習(xí)模型無法提取該特征，影響后續(xù)分類識別；另一方面，若特征集過大，則會導(dǎo)致計算復(fù)雜度過高，不能快速、高效地確定分類識別結(jié)果。

發(fā)明內(nèi)容

本發(fā)明的目的是針對上述至少一部分缺陷，提供一種可自動提取輸入圖像有價值特征，并進(jìn)行頸部淋巴結(jié)腫大分類識別的裝置及方法。

為了實現(xiàn)上述目的，本發(fā)明提供了一種頸部淋巴結(jié)圖像分類識別裝置，包括：

數(shù)據(jù)獲取模塊，用于獲取多組確定分類類別的淋巴結(jié)數(shù)據(jù)圖，每組淋巴結(jié)數(shù)據(jù)圖包括由同一臺彩色超聲機(jī)檢測產(chǎn)生的超聲圖像和相應(yīng)的多普勒圖像；

數(shù)據(jù)處理模塊，用于對各組淋巴結(jié)數(shù)據(jù)圖中的超聲圖像和相應(yīng)的多普勒圖像進(jìn)行模態(tài)對齊，得到雙模態(tài)樣本，每組雙模態(tài)樣本均包括超聲分支和多普勒分支兩種模態(tài)的數(shù)據(jù)；

模型訓(xùn)練模塊，用于構(gòu)建深度學(xué)習(xí)模型，利用多組所述雙模態(tài)樣本對其進(jìn)行訓(xùn)練；其中，所述深度學(xué)習(xí)模型包括兩個相同的殘差網(wǎng)絡(luò)、一個特征維度拼接層和一個輸出網(wǎng)絡(luò)；兩個相同的殘差網(wǎng)絡(luò)用于分別輸入每組雙模態(tài)樣本中兩種模態(tài)的數(shù)據(jù)進(jìn)行特征提取，并輸出分別提取的特征；所述特征維度拼接層用于對兩個殘差網(wǎng)絡(luò)分別提取的特征進(jìn)行拼接，并輸出拼接后的特征；所述輸出網(wǎng)絡(luò)用于根據(jù)拼接后的特征進(jìn)行分類識別，并輸出分類識別結(jié)果；

圖像識別模塊，用于獲取待識別的淋巴結(jié)圖像，生成相應(yīng)的輸入樣本后，輸入訓(xùn)練好的所述深度學(xué)習(xí)模型進(jìn)行分類識別，得到識別結(jié)果。

優(yōu)選地，所述數(shù)據(jù)獲取模塊獲取多組確定分類類別的淋巴結(jié)數(shù)據(jù)圖時，分類類別對應(yīng)三類，分別為：無腫大、反應(yīng)性腫大、非反應(yīng)性腫大；

所述深度學(xué)習(xí)模型中，所述輸出網(wǎng)絡(luò)輸出分類識別結(jié)果對應(yīng)三類，分別為：無腫大、反應(yīng)性腫大、非反應(yīng)性腫大。

優(yōu)選地，所述數(shù)據(jù)處理模塊還用于以隨機(jī)抽樣的形式將多組所述雙模態(tài)樣本劃分為訓(xùn)練集和驗證集，二者所包括的所述雙模態(tài)樣本組數(shù)比值為(K-1)：1；

所述模型訓(xùn)練模塊對所述深度學(xué)習(xí)模型進(jìn)行訓(xùn)練時，根據(jù)劃分的訓(xùn)練集和驗證集，采用K折交叉驗證方式訓(xùn)練。

優(yōu)選地，所述數(shù)據(jù)處理模塊還用于對訓(xùn)練集中的所述雙模態(tài)樣本進(jìn)行數(shù)據(jù)擴(kuò)增。

優(yōu)選地，所述數(shù)據(jù)處理模塊對所述雙模態(tài)樣本進(jìn)行數(shù)據(jù)擴(kuò)增時，將所述雙模態(tài)樣本中的超聲分支和多普勒分支兩種模態(tài)同步隨機(jī)旋轉(zhuǎn)，旋轉(zhuǎn)角度范圍0°～45°，和/或

將所述雙模態(tài)樣本中的超聲分支和多普勒分支兩種模態(tài)同步左右翻轉(zhuǎn)。