[發明專利]基于殘差網絡結構的子宮肌瘤目標圖像獲取方法

在審

• 申請號: 202210026421.6
• 申請日: 2022-01-11
• 公開（公告）號: CN114399485A
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 霍彤彤;鄧凱賢;李麗欣;葉哲偉;吳蔚;王子毅
• 申請（專利權）人: 南方醫科大學順德醫院（佛山市順德區第一人民醫院）;華中科技大學同濟醫學院附屬協和醫院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京棘龍知識產權代理有限公司 11740
• 代理人: 謝靜

1.一種基于殘差網絡結構的子宮肌瘤目標圖像獲取方法，其特征在于，所述方法包括以下兩個階段：

階段一，模型訓練

S1、在原始樣本超聲圖像上，對包含子宮肌瘤圖像的區域以矩形框形式進行病灶目標圖像區域標注，得到標準標記結果，標準標記結果包括標準標注圖像及標準標記文件；

S2、將所述標準標注圖像通過改進型YOLOv3目標檢測模型進行檢測，得到模型檢測結果，模型檢測結果包括子宮肌瘤目標圖像在圖像中的位置、尺寸及數量；

S3、將步驟S2的模型檢測結果與步驟S1中的標準標記結果進行統一，得到訓練好的改進型YOLOv3目標檢測模型；

階段二，模型應用

將待檢測的超聲圖像輸入至訓練好的改進型YOLOv3目標檢測模型進行檢測，得到子宮肌瘤目標圖像區域結果。

2.根據權利要求1所述的一種基于殘差網絡結構的子宮肌瘤目標圖像獲取方法，其特征在于，所述改進型YOLOv3目標檢測模型，設置有ResNet殘差學習結構，每個卷積層中依次設置有所述ResNet殘差學習結構。

3.根據權利要求2所述的一種基于殘差網絡結構的子宮肌瘤目標圖像獲取方法，其特征在于，所述改進型YOLOv3目標檢測模型具體是將YOLO v3中的backbone網絡替換為Resnet50。

4.根據權利要求3所述的一種基于殘差網絡結構的子宮肌瘤目標圖像獲取方法，其特征在于，所述的改進型YOLOv3目標檢測模型，具體的設計的Anchors尺寸為：[[10,13]、[16,30]、[33,23]、[30,61]、[62,45]、[59,119]、[116,90]、[156,198]和[373,326]。

5.根據權利要求1至4任意一項所述的一種基于殘差網絡結構的子宮肌瘤目標圖像獲取方法，其特征在于，S3中將步驟S2的模型檢測結果與步驟S1中的標準標記結果進行統一，具體包括：

計算損失函數，對預測的中心坐標做損失，采用式(1)的損失函數：

式(1)計算了相對于預測的邊界框位置(x,y)的loss數值；其中λ是一個給定的常數，表示該項損失所占的權重；(x,y)是從訓練數據中得到的實際位置，(x^,y^)是預測邊界框的位置；該函數計算了每一個網格單元(i＝0,...,S²)的每一個邊界框預測值(j＝0,...,B)的總和；

定義如下：如果網格單元i中存在目標，則第j個邊界框預測值對該預測有效，如果網格單元i中不存在目標，

對每一個網格單元YOLO預測到對應邊界框，在訓練時，根據哪個預測有最高的實時IOU和GT，來確認其對于預測一個目標有效；

對預測邊界框的寬高做損失，具體采用式(2)的損失函數：

對預測的類別做損失，具體采用式(3)的損失函數：

使用是當網格單元中不存在目標時，不會懲罰分類誤差；

對預測的置信度做損失，具體采用式(4)的損失函數：

C是置信度得分，是預測邊界框與GT框的交叉部分，當在一個網格單元中存在目標時，否則

最后，將四部分損失函數加在一起得到總的損失函數：

根據總的損失函數不斷對改進型YOLOv3目標檢測模型進行修改，在修正后達到最終的總的損失函數不再下降時，得到訓練好的改進型YOLOv3目標檢測模型。

6.根據權利要求5所述的一種基于殘差網絡結構的子宮肌瘤目標圖像獲取方法，其特征在于，通過高年資的醫生對包含子宮肌瘤圖像的區域以矩形框形式進行病灶目標圖像區域標注。

7.根據權利要求5所述的一種基于殘差網絡結構的子宮肌瘤目標圖像獲取方法，其特征在于，S2中將所述標準標注圖像通過改進型YOLOv3目標檢測模型進行檢測前，還包括對標注圖像的數據整理；

對標準標注圖像進行區域切分處理，僅保留還有肌瘤病灶區的有效圖像；

將有效圖像進行掩碼后分為訓練集和測試集，完成對標準標注圖像的數據整理；

訓練集和測試集用于所述改進型YOLOv3目標檢測模型的訓練及測試。