[发明专利]用于识别超声图像中特征的方法、装置、存储介质和系统

说明书

本发明提供一种用于识别超声图像中的特征的方法、装置、存储介质和系统。该方法包括：获取步骤，获取超声图像；提取步骤，从超声图像中提取出感兴趣区域图像；图像增强步骤，使用图像增强方法，对感兴趣区域图像进行图像增强，得到多个训练图像数据；建模步骤，将多个训练图像数据输入特定的深度卷积神经网络进行训练，从而建立分析模型；识别步骤，分析模型对感兴趣区域图像进行分析，并根据分析模型的分析结果，识别超声图像中的特征。本发明可以更加准确地识别超声图像中的肿瘤的特征，即，良性还是恶性。

技术领域

本发明涉及图像识别处理，尤其涉及用于识别超声图像中的特征的方法、装置和存储介质。

背景技术

超声成像装置由于其非侵入性和安全性而广泛用于医院和医疗诊所等医疗中心。在诊断是否可能出现恶性肿瘤的过程中，经常采用超声图像对各种类型的组织和体内结构进行初步检查，例如甲状腺结节、乳房病变、前列腺病变等。然而，众所周知，超声图像具有相对较差的图像质量，这对于准确诊断而言可能是具有挑战性的，因此限制了该特定图像模态的潜力。

近年来，卷积神经网络(CNN)已经成功地应用于计算机视觉的许多应用领域，并且已经显示出了出色的物体识别性能，特别是对于大规模复杂的视觉识别任务。CNN能够进行特征学习，从输入图像中识别出有条理和强大的对象特征，如线条，角落，形状，纹理和颜色，为模式识别和分类提供“端到端”解决方案，而不是传统的方法。通过复杂算法提取特征。已经开发出诸如VGGNet的CNN模型用于对象识别问题。该网络的体系结构包括权重层，归一化层，最大池化层，完全连接的层，以及在输出层中具有softmax激活的线性层。VGG模型已经过大约120万个标记图像的训练，能够识别ImageNet数据集中的1000种不同类型的对象。通过调整网络的超参数并将其与有效的图像预处理相结合，可以利用这种强大的深CNN架构的潜力并将其用于肿瘤状态识别任务。

最近在过去两年中，CNN已经开始被用于医学图像分析。通过准确的预测结果，这些解决方案可以提供正确理解肿瘤性质的机会，并帮助医生和其他医疗专业人员及早准确地诊断诸如癌症的急性疾病并监测患者治疗的有效性。

然而，目前对超声图像的识别结果尚不够准确。

发明内容

针对现有的问题，本发明提供了一种用于识别超声图像中的特征的方法，该方法包括：

获取步骤，获取所述超声图像；

提取步骤，从所述超声图像中提取出感兴趣区域图像；

图像增强步骤，使用图像增强方法，对所述感兴趣区域图像进行图像增强，得到多个训练图像数据；

建模步骤，将所述多个训练图像数据输入特定的深度卷积神经网络进行训练，从而建立分析模型；

识别步骤，所述分析模型对所述感兴趣区域图像进行分析，并根据所述分析模型的分析结果，识别所述超声图像中的特征。

其中，所述图像增强方法是几何增强方法和奇异值分解方法。

其中，特定的深度卷积神经网络是特定的VGGNet模型，

其中，在所述建模步骤中，将所述多个训练图像数据输入所述特定的VGGNet模型进行训练，得到多个建模参数，并根据所述多个建模参数建立所述分析模型。

其中，对原始VGGNet模型的最后四层进行修改，得到所述特定的VGGNet模型。

本发明还提供一种用于识别超声图像中的特征的装置，其特征在于，所述装置包括：

获取单元，获取所述超声图像；

提取单元，从所述超声图像中提取出感兴趣区域图像；

图像增强单元，使用图像增强方法，对所述感兴趣区域图像进行图像增强，得到多个训练图像数据；