申请/专利权人：西南交通大学

申请日：2020-03-09

公开（公告）日：2020-07-28

公开（公告）号：CN111462049A

主分类号：G06T7/00(20170101)

分类号：G06T7/00(20170101);G06T5/00(20060101);G06K9/62(20060101);G06N3/04(20060101)

优先权：

专利状态码：有效-授权

法律状态：2022.05.17#授权;2020.08.21#实质审查的生效;2020.07.28#公开

摘要：本发明公开了一种乳腺超声造影视频中病灶区形态自动标注方法，设计一个端到端的网络模型结构只需将待识别数据送入模型中，模型自动对每帧图像进行卷积操作，提取出分类依据的判别特征。整个识别过程中无需人工勾画病灶区范围，因为某些病灶形态特征描述有关正常组织下的造影变化与病变组织造影变化对比，如增强强度、增强时序等，因此使用卷积神经网络中的卷积自动对整个造影视频帧序列进行卷积计算，通过计算得出的特征值表现出正常组织与病变区域的映射数据，并根据网络规则进行对比得出结果。此外，如蟹足状、增强顺序等形态特征，使用所设计网络对视频连续帧的时空特征自动计算出该形态动态变化所对应的特征。

主权项：1.一种乳腺超声造影视频中病灶区形态自动标注方法，采用了卷积神经网络架构，实现自动提取超声造影视频中病灶形态特征参数信息完成形态识别分类，对该病例数据进行病灶标注，步骤如下：S1，构建乳腺超声造影多标签数据集，以医院提供的乳腺超声视频数据以帧为单位将每个病例中超声造影视频处理为连续图像，使用单独文件夹存放每个病例的超声造影帧序列图像；S2，将步骤S1整理好的数据进行预处理，使用边缘增强的各向异性扩散去噪算法进行图像去燥处理，使得数据集去除超声图像斑点噪声，保持超声图像中的细节特征及边缘特征；S3,将步骤S2中去燥的数据的每个病例文件存放地址与对应医生记录的每个病例的病灶形态特征文本作为一个样本保存为json文件，因每个超声病例视频都包含上述形态类型，因此需要将标签制作为多标签进行类别标记；S4,将步骤S3中训练数据集每个像素的3个通道都先减去127.5后除以128得到归一化后的超声造影视频序像素值；S5,利用端到端的分类模型完成形态识别，整个网络框架使用残差网络resnet50结合3维卷积网络C3Dnetwork作为基础训练网络，将步骤S4的样本传入网络中计算网络模型权重参数；S6,网络的输入为16张大小为224*224的超声造影连续帧，对上一步接收的featuremap使用C3D网络进行样本时空特征提取，3D网络共有8个卷积层，其卷积核的大小均为3*3*3，步长为1*1*1；S7,使用迁移自然图像分类的残差网络resnet50权重，接收上层网络的特征图featuremap进行空间特征信息提取，平均所有featuremap的结果后作为该层的整个空间特征残差块,同时使用3*1*1的一维时间卷积对接收上层网络输出featuremap进行时间序列特征提取；S8，在3D网络的8个模块中，将每个模块输出的特征加上由S7中提取的上个模块计算得到的时间和空间featuremap的残差块，计算公式如式1所示，其中Xt表示网络模块单元的输入，Xt+1表示该网络模块单元的输出，SXt表示空间特征残差块，TXt表示时间特征残差块，STXt表示3D网络提取的时空特征；Xt+1＝SXt+TXt+STXt1S9，在网络最后添加全连接层输出4096维的描述特征，然后接着做L2正则化，使用SIGMOD函数对每个便签都进行判别，最终输出每个超声造影视频数据中病灶每个形态特征的预测结果；S10，将预测结果与医生记录的真实结果进行比较，使用式2对每个标签进行计算求评均作为网络识别准确度。其中TP、TN、FP、FN分别为预测的真阳性、真阴性、假阳性、假阴性数目； S11，使用BCEloss作为损失函数进行训练约束，重复S6-S10训练该网络至loss收敛保存该模型；S12，使用数据集中验证部分输入训练好的模型权重中，得到自动识别结果及准确率。

全文数据：

权利要求：

百度查询： 西南交通大学 一种乳腺超声造影视频中病灶区形态自动标注方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD