[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

本發明公開了一種基于卷積神經網絡的胎兒超聲關鍵切面識別方法及裝置，其中該方法包括：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?？梢?，本發明基于訓練好的神經網絡模型對超聲圖像數據中的切面信息進行準確地分類，有利于幫助醫生快速對生物結構切面進行分類判斷，提高檢查效率，減少誤診漏診率，同時還能促進醫療資源的有效利用，具有較大的實用價值。

技術領域

本發明涉及醫療影像處理技術領域，尤其涉及一種基于卷積神經網絡的胎兒超聲關鍵切面識別方法及裝置。

背景技術

隨著醫療影像技術的發展，現有的醫療領域在結合生物結構切面信息進行診斷治療時，開始越來越多地將醫療影像尤其是超聲圖像引入到診斷治療過程中，隨之而來的，對于超聲圖像中生物結構切面的類型識別的效率要求也越來越重?，F有技術中一般通過醫師的肉眼識別生物結構切面的類型，沒有考慮到引入神經網絡技術對超聲圖像數據中的生物結構切面的類型實現自動識別，因此現有技術的識別效率低，容易誤診、漏診?？梢?，現有技術存在缺陷，亟待解決。

發明內容

本發明所要解決的技術問題在于，提供一種基于卷積神經網絡的胎兒超聲關鍵切面識別方法及裝置，可以基于訓練好的神經網絡模型對超聲圖像數據中的切面信息進行準確地分類，有利于幫助醫生快速對生物結構切面進行分類判斷，提高檢查效率，減少誤診漏診率，同時還能促進醫療資源的有效利用，具有較大的實用價值。

為了解決上述技術問題，本發明第一方面公開了一種基于卷積神經網絡的胎兒超聲關鍵切面識別方法，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。

作為一種可選的實施方式，在本發明第一方面中，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。

作為一種可選的實施方式，在本發明第一方面中，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。

作為一種可選的實施方式，在本發明第一方面中，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。

作為一種可選的實施方式，在本發明第一方面中，所述分類卷積神經網絡模型，根據以下步驟被訓練得到包括：

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；