[发明专利]卷积神经网络训练方法、超声图像识别定位方法及系统

权利要求书

1.一种用于超声图像识别定位的卷积神经网络的训练方法，其特征在于，包括以下步骤：

步骤A，建立卷积神经网络模型；

步骤B，以ImageNet上训练好的卷积神经网络模型作为起点，以不同网络结/层读取训练数据集中的整张B超图像，然后用B超图像去进行微调，进行神经网络模型迁移学习；其中，所述训练数据集中的图像来自单中心、多台机器的B超检查图像，并以病理检查结果进行标记；

步骤C，通过回归完成物体位置和类别判定；

步骤C中卷积神经网络模型采用的物体检测算法是一个端到端的目标检测算法，它将图像划分为均匀网格，每个网格单元预测这些网格的边界框和置信度分数，其中置信度分数反映了所述卷积神经网络模型对定位及预测物体的准确度；所述卷积神经网络模型把输入图像划分成S×S的网格，预测物体边框、置信度，同时计算是某类物体的概率；预测结果被编码为一个S×S×(B×5+C)的张量，其中，S×S为网格数，C为类别数、B为边框数据；

所述卷积神经网络模型使用均方误差作为目标损失函数，衡量网络预测结果S×S×(B×5+C)维张量跟实际图像中物体对应的S×S×(B×5+C)维张量的偏倚程度，目标损失函数loss表示为：

其中CoordinateError为位置误差、IoUError为交除并误差、ClassError为分类误差；

所述目标损失函数loss进一步展开得到如下式子：

其中，所述式子中的第一项、第二项表示位置误差，第三项表示IoU误差，第四项表示分类误差，x、y、w、h、C、p为预测值，为实际标注值；其中代表物体出现在第i个网格中，代表第i个网格中的第j个边框对预测有贡献；位置误差、IoU误差和分类误差对损失函数的贡献度通过λ_coordλ_coord和λ_noobj进行修正；

在完成模型训练之后，通过画出类别激活图去判断输入图像中哪些区域对预测结果贡献最大，并与专家看图所使用的特征进行比较，印证训练好的卷积神经网络模型所使用的特征跟人类专家所用的特征是否一致。

2.如权利要求1所述的训练方法，所述卷积神经网络模型由卷积层和池化层构成；所述卷积神经网络模型交替使用1×1的卷积层。

3.如权利要求1所述的训练方法，其特征在于，所述步骤B中用B超图像进行微调的具体步骤包括：

步骤B1，在源数据集上训练出一个卷积神经网络；

步骤B2，将输出层改成适合目标数据的大小；

步骤B3，将输出层权重初始化为随机值，其他层权重不变；

步骤B4，用目标数据训练网络。

4.如权利要求1所述的训练方法，其特征在于，步骤B中所使用的B超图像在训练模型之前进行了脱敏和清洗，且使用病理检查结果作为金标准划分病变的良恶性。

5.一种超声图像识别定位的方法，其特征在于，包括以下步骤：

基于如权利要求1～4任一项所述的训练方法预先训练得到的卷积神经网络模型对待识别的超声图像进行识别。

6.一种超声图像识别定位系统，其特征在于，包括：

存储器，用于存储用于执行如权利要求5所述的超声图像识别定位方法的程序；

处理器，用于执行存储器中存储的程序。

7.如权利要求6所述的超声图像识别定位系统，其特征在于，所述处理器为单片机、台式机、平板电脑、笔记本电脑、计算机网络、可编程逻辑控制器中的任意一种处理器。