[發明專利]基于超聲圖像進行超聲自動檢測的方法及系統

在審

• 申請號: 202310295329.4
• 申請日: 2023-03-24
• 公開（公告）號: CN116327241A
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 趙妍卓;遲雪儀;趙炫;潘宇真;他得安;商慧亮
• 申請（專利權）人: 復旦大學;復旦大學義烏研究院
• 主分類號: A61B8/00
• 分類號: A61B8/00
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 季永康

1.基于超聲圖像進行超聲自動檢測的方法，其特征在于，步驟包括：

步驟S100?定義超聲圖像質量參數及目標標準圖像，構建并訓練強化學習網絡模型；

步驟S200?將超聲探頭移動到目標位置處，采集到含有檢測目標的超聲圖像，并記錄超聲探頭對應的位姿；

步驟S300?計算步驟S200所獲超聲圖像質量參數，并將其對應位姿一同作為強化學習網絡模型的輸入，以獲取超聲探頭的調整位姿。

2.根據權要求1所述的方法，其特征在于，步驟S100中，所述定義超聲圖像質量參數及目標標準圖像的步驟包括：

步驟S110?根據超聲圖像的邊緣特征和空間特征，定義超聲圖像質量參數Q：

；

其中和分別為所獲超聲圖像和預設目標標準圖像的目標組織內外部灰度差，S為目標組織顯示的圖像完整度；

步驟S111?取得數張高質量的目標組織的超聲圖像，求出灰度差及圖像完整度的均值作為標準數值進行計算，選取最接近均值的一張圖像作為目標標準圖像。

3.根據權要求1所述的方法，其特征在于，步驟S100中，所述構建并訓練強化學習網絡模型的步驟包括：

步驟S120?構建Actor網絡，將包括超聲圖像質量參數Q及對應超聲探頭位姿在內的環境狀態作為輸入，以定義輸出對應的位姿變換向量H；構建Critic網絡，將包括位姿變換向量H及環境狀態作為輸入，以定義輸出用于評價位姿變換向量H質量的獎勵值r；

步驟S121定義損失函數：

；

其中，為預測的超聲探頭位姿變換后超聲圖像質量Q值，為真實執行位姿變換向量H后獲得的超聲圖像質量Q值，為均方根誤差；

步驟S122訓練強化學習網絡模型：根據損失函數進行梯度下降運算，對網絡參數進行更新，循環數次、或所獲超聲圖像質量值超越目標標準圖像的時，訓練結束。

4.根據權要求3所述的方法，其特征在于，步驟S122中還包括步驟：設定經驗回放池，且最初數回合為經驗回放池填充步驟，不進行訓練；在填充經驗回放池的過程中，在最初數回合采用基于示教的方式，在對機械臂移動空間進行約束下采集樣本數據，以填充經驗回放池。

5.根據權要求4所述的方法，其特征在于，填充經驗回放池的步驟包括：

步驟S130根據目標標準圖像對應的超聲探頭位姿為中心點，以預設距離為單位，建立平面點陣，記錄移動超聲探頭至各個點位時的位姿為一個回合樣本，將該樣本填入經驗回放池；

步驟S131?分別記錄各個網格下的超聲圖像質量Q值，選擇其中得分最高的數個網格，分別將超聲探頭以對應各網格的位姿為起點，進行自旋轉，每順時針旋轉60°記錄一次超聲圖像質量Q值樣本，共旋轉五次，以將所獲的樣本填入經驗回放池。

6.根據權要求5所述的方法，其特征在于，填充經驗回放池的步驟包括：

步驟S132?設定篩選參數，判斷最初數回合之后的樣本獎勵值，當其達到經驗回放池內平均獎勵值的倍時，視為有效樣本填入經驗回放池。

7.根據權要求5所述的方法，其特征在于，填充經驗回放池的步驟包括：

步驟S133?定義衰減因子，其中t為訓練次數，定義篩選參數；判斷最初數回合之后的樣本獎勵值，當其達到經驗回放池內平均獎勵值的倍時，視為有效樣本填入經驗回放池。

8.基于超聲圖像進行超聲自動檢測的系統，其特征在于包括：

存儲單元，用于存儲包括如權利要求1至7中任一所述基于超聲圖像進行超聲自動檢測的方法步驟的程序，以供控制單元，處理單元，適時調取執行；

控制單元，用于操控機械臂攜帶超聲單元的超聲探頭移動到目標位置處，采集含有檢測目標的超聲圖像，并記錄超聲探頭對應的位姿；

處理單元，用于計算所獲超聲圖像質量參數，并將其對應位姿一同作為強化學習網絡模型的輸入，以獲取超聲探頭的調整位姿。