[发明专利]基于神经网络的静脉与动脉识别系统

权利要求书

1.一种基于神经网络的静脉与动脉识别系统，其特征在于，包括：

超声图像输入单元，用于输入超声图像，将待识别的超声图像输入神经网络模型进行处理；

神经网络模型，用于通过所述神经网络模型从待识别超声图像中获取静脉和动脉的位置信息；

超声图像生成单元，根据获取的位置信息区别标记静脉与动脉，并生成含有静脉标记和动脉标记的超声图像。

2.如权利要求1所述的基于神经网络的静脉与动脉识别系统，其特征在于，还包括：

超声图像标记单元，用于对预采集超声图像中的动脉和静脉进行标记；

神经网络训练单元，通过设定数量被标记的预采集超声图像输入神经网络模型进行训练，得到能够自动识别超声图像中动脉和静脉的所述神经网络模型。

3.如权利要求2所述的基于神经网络的静脉与动脉识别系统，其特征在于，

超声图像标记单元具体用于：

预采集一定数量的超声图像并进行筛选；

将筛选后的超声图像划分为训练集、验证集和测试集；

供用户对划分后的超声图像中的静脉和动脉进行标记；

其中，所述训练集用于训练神经网络模型，所述验证集用于验证神经网络的识别准确度并优化神经网络模型的权重参数，所述测试集用于最终评价神经网络模型的识别准确度。

4.如权利要求2或3所述的基于神经网络的静脉与动脉识别系统，其特征在于，

神经网络训练单元训练神经网络模型具体包括：

将超声图像固定到设定尺寸，并归一化同样尺寸的超声图像；

建立神经网络模型，所述神经网络模型包括一个输入层、多个隐含层和一个输出层，神经网络模型中的各隐含层之间、输入层和隐含层之间、隐含层和输出层之间通过权重参数相连接；输入层尺寸设置为与输入神经网络模型的超声图像的尺寸相一致；

初始化神经网络模型，将所述权重参数设置为随机数；

采用归一化后的超声图像训练神经网络模型；

根据损失函数计算训练神经网络模型产生预测误差，在所述损失函数收敛时，计算训练后得到的权重参数；

更新神经网络模型中的权重参数，得到自动识别超声图像中动脉和静脉的神经网络模型。

5.如权利要求4所述的基于神经网络的静脉与动脉识别系统，其特征在于，

神经网络模型的结构具体包括：所述隐含层包括卷积层和最大池化层；首先是数个卷积层和数个最大池化层交替连接，然后再连接若干卷积层，最后连接输出层；

或，

神经网络模型的结构具体包括：所述隐含层包括卷积层、最大池化层和结合层；首先是数个卷积层和数个最大池化层交替连接，然后再连接若干卷积层，随后再连接一个结合层，将结合层之前相连接的高级特征层与该高级特征层之前的一层或数层隐含层相结合；该高级特征层与相结合的隐含层的输出图像的长和宽必需相应一致；该高级特征层与之前的一层或数层隐含层相结合后一起输入到最后一个卷积层；

或，

神经网络模型的结构具体包括：在所述多个隐含层，超声图像先经过基础的特征提取网络，提取到若干特征图像，然后再经过一系列卷积运算，得到具有不同分辨率的特征图像；再分别通过卷积运算在这些不同分辨率特征图像的不同位置上同时生成不同尺寸的边界框，在输出层对这些边界框进行分类和位置回归，分别来预测边界框的类别和具体位置。

6.如权利要求4所述的基于神经网络的静脉与动脉识别系统，其特征在于，

所述输出层配置为输出若干个预测的边界框；

其中，所述边界框的信息包括边界框中的图像是动脉或静脉的概率信息，以及边界框的位置信息和尺寸信息。

7.如权利要求4所述的基于神经网络的静脉与动脉识别系统，其特征在于，

所述损失函数包括：

包含有目标对象的边界框的概率预测的误差；

包含有目标对象的边界框的位置和尺寸的预测误差；

不包含有目标对象的边界框的概率预测的误差；

包含有目标对象的网格单元预测类别的误差。