[發明專利]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

• 申請號: 202010582572.0
• 申請日: 2020-06-23
• 公開（公告）號: CN112349407A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 許學志
• 申請（專利權）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: 嘉興嘉科嘉創專利代理事務所(普通合伙) 33348
• 代理人: 趙俊霞

本發明一種基于深度學習的淺表超聲影像病灶輔助診斷方法涉及輔助醫學診斷的領域，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，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整其至寬度及高度為832*640的標準淺表超聲影像，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，構建神經網絡，利用影像訓練集對神經網絡的參數進行訓練，得到能夠對淺表超聲影像進行病灶定位與特性分析的神經網絡，利用訓練得到的卷積神經網絡對淺表超聲影像進行輔助診斷與分析，本發明速度快、效率高、精度較高，實現了淺表超聲病灶特性自動分析，可有效對淺表臟器病患淺表超聲影像病灶情況進行輔助診斷。

技術領域

本發明涉及輔助醫學診斷的領域,更具體地說，它涉及一種基于深度學習的淺表超聲影像病灶輔助診斷方法。

背景技術

超聲醫學在淺表異常組織診斷中有廣泛應用，特別是如乳腺癌的早期診斷、頸動脈血管斑塊診斷等是醫院目前最常用的診斷手段之一。超聲醫學視覺領域與普通現實視覺領域（如人臉檢測）最大的不同是，超聲醫學視覺領域不能僅僅根據圖像的文理、形狀、大小等來定位和檢測病灶，而是需要把超聲灰度圖像在醫生人腦中還原為具有空間立體特性的器官解剖結構后，再進行病灶定位與檢測。因此超聲診斷對醫生的專業水平有很高的要求，對于缺乏高水平知識的基層醫院診斷準確率就比較低。

超聲醫學圖像視覺檢測能有效幫助基層醫生提高診斷準確率，但目前絕大多數視覺檢測方法均基于U-Net人工神經網絡進行，其特點是它對超聲醫學影像中特定病灶目標的形狀、周邊文理等特性有較高的敏感度，但對影像中不同目標的空間結構所反應的醫學信息則不敏感。

發明內容

針對現有技術存在的不足，本發明的目的在于提供一種速度快、效率高、精度較高，實現了淺表超聲病灶特性自動分析，可有效對淺表臟器病患淺表超聲影像病灶情況進行輔助診斷。

為實現上述目的，本發明提供了如下技術方案：

一種基于深度學習的淺表超聲影像病灶輔助診斷方法，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，構建神經網絡，利用影像訓練集對神經網絡的參數進行訓練，得到能夠對淺表超聲影像進行病灶定位與特性分析的神經網絡；

步驟五，利用訓練得到的卷積神經網絡對淺表超聲影像進行輔助診斷與分析。

本發明進一步設置為：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。

本發明進一步設置為：將所述標準淺表超聲影像設置為訓練樣本，且占總量的90%，將所述分割標簽及特性標簽設置為測試樣本，占總量的10%。

本發明進一步設置為：所述神經網絡包含一個共同的主干網絡，從主干網絡分出有用于病灶檢測的檢測子網絡和病灶特性分析的分析子網絡。

本發明進一步設置為：所述步驟四的主干網的構建過程為：

步驟4.1.1： 輸入一組大小為832*640的訓練樣本，在組內影像數量取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間[0,1]之間；