[發明專利]基于卷積神經網絡的胎兒超聲關鍵切面識別方法及裝置

在審

• 申請號: 202210561638.7
• 申請日: 2022-05-23
• 公開（公告）號: CN114782407A
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 謝紅寧;雷婷
• 申請（專利權）人: 中山大學附屬第一醫院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08;G06T5/00;G16H30/40;G16H50/20
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 江銀會

1.一種基于卷積神經網絡的胎兒超聲關鍵切面識別方法，其特征在于，所述方法包括：

獲取包括有胎兒結構切面影像的原始超聲圖像數據；

根據所述原始超聲圖像數據,確定目標超聲圖像數據；

將所述目標超聲圖像數據輸入訓練好的分類卷積神經網絡模型，得到切面類型分類結果；所述分類卷積神經網絡模型為通過包括有多個標注有切面類型的訓練超聲圖像數據的訓練數據集訓練得到。

2.根據權利要求1所述的基于卷積神經網絡的胎兒超聲關鍵切面識別方法，其特征在于，所述根據所述原始超聲圖像數據,確定目標超聲圖像數據，包括：

確定所述原始超聲圖像數據中的敏感信息；

去除所述敏感信息，得到目標超聲圖像數據。

3.根據權利要求2所述的基于卷積神經網絡的胎兒超聲關鍵切面識別方法，其特征在于，所述確定出所述原始超聲圖像數據中的敏感信息，包括：

確定所述原始超聲圖像數據的拍攝目的；

根據所述拍攝目的，確定出所述原始超聲圖像數據中與所述拍攝目的無關的無關數據；

將所述無關數據確定為所述原始超聲圖像數據中的敏感信息；

和/或，

確定出所述原始超聲圖像數據中的隱私數據；所述隱私數據包括隱私疾病信息、隱私部位信息和病患個人信息中的至少一種；

將所述隱私數據確定為所述原始超聲圖像數據中的敏感信息。

4.根據權利要求1所述的基于卷積神經網絡的胎兒超聲關鍵切面識別方法，其特征在于，所述分類卷積神經網絡模型為在深度學習框架Pytorch下進行開發與測試的卷積神經網絡分類模型。

5.根據權利要求1所述的基于卷積神經網絡的胎兒超聲關鍵切面識別方法，其特征在于，所述分類卷積神經網絡模型，根據以下步驟被訓練得到：

確定包括有多個標注有切面類型的訓練超聲圖像數據的訓練數據集和訓練分類模型；所述訓練分類模型包括所述分類卷積神經網絡模型和損失函數計算層；

將所述訓練數據集中的所述訓練超聲圖像數據和所述切面類型的標注以成對標簽的形式輸入至所述訓練分類模型進行訓練，并在訓練過程中使用隨機梯度下降法使得所述損失函數層計算出的損失函數值不斷下降，優化所述訓練網絡模型直至收斂，以得到訓練好的所述分類卷積神經網絡模型。

6.根據權利要求5所述的基于卷積神經網絡的胎兒超聲關鍵切面識別方法，其特征在于，所述損失函數計算層的損失函數為交叉熵代價函數。

7.根據權利要求5所述的基于卷積神經網絡的胎兒超聲關鍵切面識別方法，其特征在于，所述在訓練過程中使用隨機梯度下降法使得所述損失函數層計算出的損失函數值不斷下降，優化所述訓練網絡模型直至收斂，包括：

使用隨機梯度下降算法優化所述訓練網絡模型的模型參數，總計迭代1000輪，初始學習率為0.002，每500輪下降一次學習率，以使所述損失函數層計算出的損失函數值不斷下降以使得所述訓練網絡模型達到最優。

8.一種基于卷積神經網絡的胎兒超聲關鍵切面識別裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取包括有胎兒結構切面影像的原始超聲圖像數據；

確定模塊，用于根據所述原始超聲圖像數據,確定目標超聲圖像數據；

識別模塊，用于將所述目標超聲圖像數據輸入訓練好的分類卷積神經網絡模型，得到切面類型分類結果；所述分類卷積神經網絡模型為通過包括有多個標注有切面類型的訓練超聲圖像數據的訓練數據集訓練得到。

9.一種基于卷積神經網絡的胎兒超聲關鍵切面識別裝置，其特征在于，所述裝置包括：

存儲有可執行程序代碼的存儲器；

與所述存儲器耦合的處理器；

所述處理器調用所述存儲器中存儲的所述可執行程序代碼，執行如權利要求1-7任一項所述的基于卷積神經網絡的胎兒超聲關鍵切面識別方法。

10.一種計算機存儲介質，其特征在于，所述計算機存儲介質存儲有計算機指令，所述計算機指令被調用時，用于執行如權利要求1-7任一項所述的基于卷積神經網絡的胎兒超聲關鍵切面識別方法。