[发明专利]一种肌骨超声图像处理方法、系统、装置及可读存储介质

说明书

本申请公开了一种肌骨超声图像处理方法，为解决现有技术采用vgg16深度学习网络来分辨目标切面是否属于标准切面时存在的精度退化问题，本申请引入基于深度残差网络训练得到的标准切面分类模型，由于深度残差网络的特殊构造和新引入的残差传递思想，使得基于深度残差网络训练得到的标准切面分类模型可在网络层数加深的同时，避免因梯度消失导致精度退化，使得最佳精度得以保留，对是否属于标准切面的分辨效果更佳。本申请还同时公开了一种肌骨超声图像处理系统、装置及计算机可读存储介质，具有上述有益效果。

技术领域

本申请涉及图像处理技术领域，特别涉及一种肌骨超声图像处理方法、系统、装置及计算机可读存储介质。

背景技术

在现代医学中，肌骨结合处由于其复杂的组织构造，对病理和病灶的判断带来了更大的挑战。

在处理通过超声技术拍摄得到的肌骨超声图像时，首先就是要区别该肌骨超声图像中包含的肌骨切面是否为标准切面，以便在确定为标准切面的基础上对不同种类组织所在位置进行分割。

相关技术中有在对胎儿面部切面进行是否为标准切面时，采用了vgg16深度学习网络来实现的例子。vgg16深度学习网络通过反复堆叠3×3的小型卷积核和2×2的最大池化层，成功地构筑了16-19层深的卷积神经网络，且通过使用非常多的3×3(小)卷积串联，使得相较于单独使用一个较大的卷积核，不仅拥有更少的参数量，且会拥有更多的非线性变换。

即便如此，vgg16深度学习网络对标准切面的判别精度依然不够理想，是因为在网络层数不断加深的同时，会在已达到最佳精度的基础上进行再次处理致使精度不增反降的问题，这一问题也被称为退化问题。也就是说，单纯一味的增加网络层数，并不一定会使得结果越来越好，也有可能会随着梯度的消失导致结果越来越差。

因此，如何解决现有技术利用vgg16深度学习网络分辨标准切面时存在的准确率不佳问题，是本领域技术人员亟待解决的问题。

发明内容

本申请的主要目的是提供一种肌骨超声图像处理方法，为解决现有技术采用vgg16深度学习网络来分辨目标切面是否属于标准切面时存在的精度退化问题，本申请引入基于深度残差网络训练得到的标准切面分类模型，由于深度残差网络的特殊构造和新引入的残差传递思想，使得基于深度残差网络训练得到的标准切面分类模型可在网络层数加深的同时，避免因梯度消失导致精度退化，使得最佳精度得以保留，对是否属于标准切面的分辨效果更佳。

本申请的另一目的在于提供了一种肌骨超声图像处理系统、装置及计算机可读存储介质。

为实现上述目的，本申请提供一种肌骨超声图像处理方法，包括：

获取肌骨超声图像，并从所述肌骨超声图像中提取得到目标肌骨切面；

利用预设的标准切面分类模型判断所述目标肌骨切面是否为标准切面，并输出被所述标准切面分类模型判别为所述标准切面的目标肌骨切面；其中，所述标准切面分类模型是预先将标准切面和非标准切面作为样本数据输入深度残差网络后经训练得到的。

可选的，该肌骨超声图像处理方法还包括：

获取标准切面样本数据，并确定所述标准切面样本数据中的有效信息；

调整所述有效信息在对应标准切面样本数据中的位置，得到非标准切面样本数据；其中，调整位置的方式包括平移、缩放、水平翻转中的至少一种。

可选的，在输出属于所述标准切面的目标肌骨切面之后，还包括：

利用预设的组织分割模型对所述目标肌骨切面中包含的各种类组织进行语义分割。

可选的，该肌骨超声图像处理方法还包括：

获取组织类别样本数据；其中，所述组织类别样本数据为将不同种类的组织以不同的标签进行标注的样本数据；