[發(fā)明專利]一種基于深度學習的淺表超聲影像病灶輔助診斷方法在審
| 申請?zhí)枺?/td> | 202010582572.0 | 申請日： | 2020-06-23 |
| 公開（公告）號： | CN112349407A | 公開（公告）日： | 2021-02-09 |
| 發(fā)明（設(shè)計）人： | 許學志 | 申請（專利權(quán)）人： | 上海貯譯智能科技有限公司 |
| 主分類號： | G16H50/20 | 分類號： | G16H50/20;G06T7/00;G06T7/10 |
| 代理公司： | 嘉興嘉科嘉創(chuàng)專利代理事務(wù)所(普通合伙) 33348 | 代理人： | 趙俊霞 |
| 地址： | 200241 上海市*** | 國省代碼： | 上海;31 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 基于 深度 學習 淺表 超聲 影像 病灶 輔助 診斷 方法 | ||
1.一種基于深度學習的淺表超聲影像病灶輔助診斷方法，其特征是：包括以下步驟：
步驟一，對超聲影像的所有超聲特性組進行編碼，編碼后形成特性編碼字典Dict_F；
步驟二：獲取原始淺表超聲影像，對原始淺表超聲影像進行增強處理后調(diào)整其至寬度及高度為832*640的標準淺表超聲影像；
步驟三：對步驟2中所獲得的淺表超聲影像中的病灶部位進行多邊形分割，形成病灶分割標簽；
步驟四，構(gòu)建神經(jīng)網(wǎng)絡(luò)，利用影像訓練集對神經(jīng)網(wǎng)絡(luò)的參數(shù)進行訓練，得到能夠?qū)\表超聲影像進行病灶定位與特性分析的神經(jīng)網(wǎng)絡(luò)；
步驟五，利用訓練得到的卷積神經(jīng)網(wǎng)絡(luò)對淺表超聲影像進行輔助診斷與分析。
2.根據(jù)權(quán)利要求1所述的一種基于深度學習的淺表超聲影像病灶輔助診斷方法，其特征是：所述步驟三中，對分割標簽的超聲特性組進行描述，描述時判定每一項超聲特性組是否為真，為真則獲取該特性所對應的編碼，將所有獲取到的編碼依次排列，形成分割標簽的特性標簽。
3.根據(jù)權(quán)利要求2所述的一種基于深度學習的淺表超聲影像病灶輔助診斷方法，其特征是：將所述標準淺表超聲影像設(shè)置為訓練樣本，且占總量的90%，將所述分割標簽及特性標簽設(shè)置為測試樣本，占總量的10%。
4.根據(jù)權(quán)利要求2所述的一種基于深度學習的淺表超聲影像病灶輔助診斷方法，其特征是：所述神經(jīng)網(wǎng)絡(luò)包含一個共同的主干網(wǎng)絡(luò)，從主干網(wǎng)絡(luò)分出有用于病灶檢測的檢測子網(wǎng)絡(luò)和病灶特性分析的分析子網(wǎng)絡(luò)。
5.根據(jù)權(quán)利要求4所述的一種基于深度學習的淺表超聲影像病灶輔助診斷方法，其特征是：
所述步驟四的主干網(wǎng)的構(gòu)建過程為：
步驟4.1.1： 輸入一組大小為832*640的訓練樣本，在組內(nèi)影像數(shù)量取1、2、4或8；
步驟4.1.2：將輸入影像的每個通道的像素值除以127.5再減去1，使得像素的每個通道的值均落在區(qū)間[0,1]之間；
步驟4.1.3： 將步驟4.1.2的輸出使用大小為7*7，通道數(shù)為16的卷積核，作步長為2*2的卷積操作提取特征，得到通道數(shù)為16，大小為416*320的特征圖；
步驟4.1.4： 將步驟4.1.3的輸出做大小為3*3，步長為2*2的池化操作，輸出大小為208*160，通道數(shù)為16的特征圖；
步驟4.1.5： 將步驟4.1.4的輸出用尺度為1*1，輸出通道數(shù)為64的殘差模塊Block做特征提取操作，累計重復三次；
步驟 4.1.6：將步驟4.1.5的輸出用尺度為2*2，輸出通道數(shù)為128的殘差模塊Block做一次特征提取操作，輸出大小為104*80，通道數(shù)為128的特征圖；
步驟4.1.7： 將步驟4.1.6的輸出用尺度為1*1，輸出通道數(shù)為128的殘差模塊Block做特征提取操作，累計重復三次；
步驟4.1.8： 將步驟4.1.7的輸出用尺度為2*2，輸出通道數(shù)為256的殘差模塊Block做一次特征提取操作，輸出大小為52*40，通道數(shù)為256的特征圖；
步驟4.1.9： 將步驟4.1.8的輸出用尺度為1*1，輸出通道數(shù)為256的殘差模塊Block做特征提取操作，累計重復二十二次，再將結(jié)果使用大小為3*3，通道數(shù)為64的卷積核，作步長為1*1的卷積操作提取特征；
步驟4.1.10：將步驟4.1.9的輸出結(jié)果沿通道方向取出每一通道對應特征圖，并沿著寬度方向做拼接，形成大小為3328*40，通道數(shù)為1的特征圖；
將所述步驟4.1.10形成的新的特征圖做大小為64*4，步長為64*1的補丁提取操作，形成補丁集；
步驟4.1.11： 對補丁集通過細胞元數(shù)為128的雙向長短記憶模型運算，再將運算結(jié)果經(jīng)過全連接層fc1及reshape后，形成大小為52*40，通道數(shù)為512的特征圖；
步驟4.1.12：將步驟4.1.11的輸出結(jié)果做一次卷積核大小為3*3，步長為2*2，通道數(shù)為512的卷積運算，最終形成大小為26*20，通道數(shù)為512的特征圖。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于上海貯譯智能科技有限公司，未經(jīng)上海貯譯智能科技有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010582572.0/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
