申请/专利权人：重庆邮电大学

申请日：2021-07-16

公开（公告）日：2024-04-12

公开（公告）号：CN113642611B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/09;G06T7/11

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.11.30#实质审查的生效;2021.11.12#公开

摘要：本发明请求保护一种基于多粒度的胎儿心脏超声图像识别方法，包括：堆叠标准块和减少块，得到结构一样的胎儿心脏超声图像分类网络；使用该分类网络构建多粒度胎儿心脏超声图像识别模型，将胎儿心脏超声图像数据输入分类网络，得到分类标签和分类的最大分类概率；将分类网络全局平均池化层前的特征图输入到注意力模块，输出一个坐标值和尺寸大小；根据坐标值和尺寸大小，对输入分类网络的图像进行裁剪；对裁剪后的图像进行放大操作，使裁剪后的图像与原始图像相同大小，并作为下一阶段的输入；通过两次迭代得到对胎儿心脏超声图像的多粒度识别结果，辅助医生对胎儿心脏器官结构和位置判断。

主权项：1.一种基于多粒度的胎儿心脏超声图像识别方法，其特征在于，包括以下步骤：1、堆叠标准块和减少块,得到网络结构相同的胎儿心脏超声图像分类网络1、分类网络2和分类网络3，使用3个分类网络构建多粒度胎儿心脏超声图像识别模型，其中标准块和减少块是基本图像计算单元，每个块中有7个节点，节点1，2为输入节点，节点3，4，5，6为中间节点，中间节点之间为不同的卷积操作，节点7为输出节点，其中标准块中，输入节点1、2分别输入到中间节点3、4、5中，输入节点1和中间节点3输入到中间节点6中，中间节点3，4，5，6均输入到输出节点7中；其中减少块中，输入节点1、2输入到中间节点3中，中间节点2、3输入到中间节点4中，中间节点2、4输入到中间节点5中，中间节点2、5输入到中间节点6中，中间节点3，4，5，6均输入到输出节点7中；为对所有中间节点的图像特征按通道进行连接，堆叠是按顺序连接标准块和减少块；2、将胎儿心脏超声图像数据输入分类网络1，得到粗分类标签Y1和本次分类的最大分类概率P1；3、将分类网络1中全局平均池化层前的特征图输入到注意力模块，注意力模块能从特征图中判断重要特征得到注意力特征，输出一个坐标值和尺寸大小；4、根据步骤3输出的坐标值和尺寸大小，对输入分类网络1的胎儿心脏图像进行裁剪，得到原始图像中器官区域的子图；5、对步骤4得到胎儿心脏器官子图进行放大处理，得到与原始图像大小一样的胎儿心脏器官图像；6、将处理后的胎儿心脏器官图像数据输入分类网络2，得到分类标签Y2和本次分类的最大分类概率P2；7、在分类网络2后重复步骤3、4、5，得到处理后的胎儿心脏器官细节特征图像，将此胎儿心脏器官细节特征图像数据输入分类网络3，得到细粒度分类标签Y3和本次分类的最大分类概率P3，通过对胎儿心脏超声图像进行多粒度识别，得到识别结果；所述步骤1堆叠标准块和减少块，得到网络结构相同的胎儿心脏超声图像分类网络1、分类网络2和分类网络3，具体包括：三个分类网络都由20个块组成，第6、11、16块为减少块，其余块为标准块，在训练阶段，采用3层卷积的辅助分类网络对整个网络进行训练；最后，通过全局平均池化层和全连接层输出分类结果；所述步骤3具体包括：将分类网络1中全局平均池化层前的特征图输入到注意力模块，具体包括：将分类网络1输出的特征图基于通道做全局最大池化和全局平均池化，将池化后的两个结果基于通道做一个联接，然后经过一个卷积操作进行降维，再将特征经过第一个全连接层输出为1024维的特征向量，然后将1024维向量输入到第二个全连接层输出为3维的特征向量，最后将3维的特征向量经过sigmoid函数输出一个坐标值x,y和边长尺寸的一半l，具体可表示为：FattX＝sigmoidfc3fc1024f7×7[MaxPoolX,AvgPoolX]，其中X表示原始图像经过卷积操作得到的特征图，FattX注意力模块输出值，fc3表示输出维度为3的全连接函数，全连接函数fc1024表示输出维度为1024的全连接函数，f7×7表示卷积核大小为7x7的卷积操作，MaxPoolX表示最大池化操作，AvgPoolX表示全局平均池化。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于多粒度的胎儿心脏超声图像识别方法

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