[發明專利]甲狀腺超聲圖像自動識別方法、裝置、終端及存儲介質

在審

• 申請號: 202210767430.0
• 申請日: 2022-07-01
• 公開（公告）號: CN115019046A
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 黃若冰;黃涵;倪東;程君
• 申請（專利權）人: 深圳大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/50;G06V10/774;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 劉芙蓉;吳志益

1.甲狀腺超聲圖像自動識別方法，其特征在于，所述方法包括：

獲取超聲圖像，所述超聲圖像包括橫切視圖和縱切視圖；

對所述橫切視圖和所述縱切視圖進行同步預處理；

將預處理后的橫切視圖、縱切視圖輸入雙分支識別網絡，獲得每個分支提取的特征數據、輸出的識別數據；

將所述特征數據輸入神經網絡回歸模型，獲得用于反映超聲圖像重要性的權重數據；

基于所述權重數據對所述識別數據進行加權融合，獲得識別結果并輸出。

2.如權利要求1所述的甲狀腺超聲圖像自動識別方法，其特征在于，所述將所述特征數據輸入神經網絡回歸模型，獲得用于反映超聲圖像重要性的權重數據，包括：

將雙分支識別網絡中每個分支提取的所述特征數據均輸入神經網絡回歸模型；

所述神經網絡回歸模型中設有多個隱藏層，經過隱藏層的多次全連接操作，獲得每個超聲圖像對應的所述權重數據。

3.如權利要求1所述的甲狀腺超聲圖像自動識別方法，其特征在于，所述雙分支識別網絡中每個分支均包括Swin-Transformer模型和卷積神經網絡模型，兩個分支的Swin-Transformer模型共享網絡權重參數，每個分支的卷積神經網絡模型使用獨立的網絡權重參數。

4.如權利要求1所述的甲狀腺超聲圖像自動識別方法，其特征在于，還包括預先對所述雙分支識別網絡進行訓練，訓練步驟包括：

獲取訓練數據集，所述訓練數據集包括多對橫切視圖和縱切視圖以及對應的標簽信息；

對所述訓練數據集進行增強處理，以擴充所述訓練數據集的樣本數量；

根據所述訓練數據集中的橫切視圖、縱切視圖以及標簽信息對所述雙分支識別網絡進行迭代訓練。

5.如權利要求4所述的甲狀腺超聲圖像自動識別方法，其特征在于，對所述雙分支識別網絡進行迭代訓練時，梯度更新算法中還包括相似性約束，計算所述相似性約束的步驟包括：

獲取雙分支識別網絡提取的特征數據并將所述特征數據輸入神經網絡回歸模型獲得權重數據；

基于橫切視圖和縱切視圖的權重數據的比較結果，將訓練數據集分為兩組；

計算每組訓練數據集的相似性約束。

6.甲狀腺超聲圖像自動識別裝置，其特征在于，所述裝置包括：

超聲圖像獲取模塊，用于獲取超聲圖像，所述超聲圖像包括橫切視圖和縱切視圖；

預處理模塊，用于對所述橫切視圖和所述縱切視圖進行同步預處理；

自動識別模塊，用于將預處理后的橫切視圖、縱切視圖輸入雙分支識別網絡，獲得每個分支提取的特征數據和輸出的識別數據；

視圖權重模塊，用于將所述特征數據輸入神經網絡回歸模型，獲得用于反映超聲圖像重要性的權重數據；

融合模塊，用于基于所述權重數據對所述識別數據進行加權融合，獲得識別結果。

7.如權利要求6所述的甲狀腺超聲圖像自動識別裝置，其特征在于，還包括訓練模塊，用于獲取訓練數據集，所述訓練數據集包括多對橫切視圖和縱切視圖以及對應的標簽信息，對所述訓練數據集進行增強處理，以擴充所述訓練數據集的樣本數量，根據所述訓練數據集中的橫切視圖、縱切視圖以及標簽信息對所述雙分支識別網絡進行迭代訓練。

8.如權利要求7所述的甲狀腺超聲圖像自動識別裝置，其特征在于，所述訓練模塊還包括用于計算梯度更新算法中相似性約束的相似性約束單元，所述相似性約束單元用于獲取雙分支識別網絡提取的特征數據并將所述特征數據輸入神經網絡回歸模型獲得權重數據，基于橫切視圖和縱切視圖的權重數據的比較結果，將訓練數據集分為兩組，計算每組訓練數據集的相似性約束。

9.智能終端，其特征在于，所述智能終端包括存儲器、處理器以及存儲在所述存儲器上并可在所述處理器上運行的甲狀腺超聲圖像自動識別程序，所述甲狀腺超聲圖像自動識別程序被所述處理器執行時實現如權利要求1-5任意一項所述甲狀腺超聲圖像自動識別方法的步驟。

10.計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有甲狀腺超聲圖像自動識別程序，所述甲狀腺超聲圖像自動識別程序被處理器執行時實現如權利要求1-5任意一項所述甲狀腺超聲圖像自動識別方法的步驟。