[发明专利]盆底状态的分类方法、系统、超声设备及计算机存储介质

权利要求书

1.一种盆底状态的分类方法，其特征在于，包括：

预先建立并训练好用于识别超声盆底图像的盆底状态的深度学习模型；其中，所述超声盆底图像的盆底状态包括静息状态、Valsalva动作和缩肛动作；

在超声盆底检测中，为了得到当前超声盆底图像是在哪种盆底状态下获得的，获取所述当前超声盆底图像，并将所述当前超声盆底图像输入至所述深度学习模型，得到所述当前超声盆底图像的盆底状态；其中，所述深度学习模型包括特征提取器和分类器，所述特征提取器用于提取超声盆底图像的盆底特征，所述分类器用于根据所述盆底特征分类出所述盆底状态；获取的所述当前超声盆底图像为所述静息状态、所述Valsalva动作和所述缩肛动作中的其中一种状态下的超声盆底图像，分类得到的所述盆底状态为所述静息状态、所述Valsalva动作和所述缩肛动作中的其中一种状态；

在所述当前超声盆底图像上自动标注出其盆底状态。

2.如权利要求1所述的盆底状态的分类方法，其特征在于，所述预先建立并训练好用于识别超声盆底图像的盆底状态的深度学习模型的过程，包括：

预先建立用于提取超声盆底图像上的盆底特征以识别其盆底状态的深度学习模型；

获取超声盆底样本图像和所述超声盆底样本图像的标准盆底状态；

将所述超声盆底样本图像输入至所述深度学习模型，以利用所述深度学习模型提取所述超声盆底样本图像上的实际盆底特征，并根据所述实际盆底特征确定所述超声盆底样本图像的实际盆底状态；

求取所述实际盆底状态和所述标准盆底状态之间的误差，并在降低所述误差的目标条件下调整所述深度学习模型的节点权重，而后进行下一轮的样本训练，直至所述误差降低至预设误差范围内。

3.如权利要求2所述的盆底状态的分类方法，其特征在于，所述利用所述深度学习模型提取所述超声盆底样本图像上的实际盆底特征，并根据所述实际盆底特征确定所述超声盆底样本图像的实际盆底状态的过程，包括：

利用所述深度学习模型中的卷积层提取卷积核每次滚动对应的所述超声盆底样本图像上的盆底有效特征；

利用所述深度学习模型中的池化层对卷积核每次滚动对应的盆底有效特征进行特征融合，得到所述超声盆底样本图像对应的多维融合特征；

利用所述深度学习模型中的flatten层对所述多维融合特征进行一维化处理，得到一维融合特征；

利用所述深度学习模型中的全连接层将所述一维融合特征分类得到所述超声盆底样本图像的实际盆底状态。

4.如权利要求3所述的盆底状态的分类方法，其特征在于，在提取卷积核每次滚动对应的所述超声盆底样本图像上的盆底有效特征之后，在对卷积核每次滚动对应的盆底有效特征进行特征融合之前，所述分类方法还包括：

利用在所述卷积层和所述池化层之间插入的规范化层对所述盆底有效特征进行规范化处理，得到盆底规范化特征；

从所述盆底规范化特征中确定满足于预设非线性激活函数的盆底可用特征；

则所述利用所述深度学习模型中的池化层对卷积核每次滚动对应的盆底有效特征进行特征融合的过程，包括：

利用所述深度学习模型中的池化层对卷积核每次滚动对应的盆底可用特征进行特征融合。

5.如权利要求2所述的盆底状态的分类方法，其特征在于，在将所述超声盆底样本图像输入至所述深度学习模型之前，所述分类方法还包括：

对所述超声盆底样本图像进行规范化处理，得到规范化的超声盆底样本图像。

6.如权利要求5所述的盆底状态的分类方法，其特征在于，在得到规范化的超声盆底样本图像之后，所述分类方法还包括：

对所述规范化的超声盆底样本图像进行数据增强处理，得到数量扩充的超声盆底样本图像。

7.如权利要求1所述的盆底状态的分类方法，其特征在于，所述分类方法还包括：

获取一段超声影像，并将所述超声影像的每一帧盆底图像均作为当前盆底超声图像输入至所述深度学习模型中；

基于所述深度学习模型自动挑选出目标盆底状态下的帧图像，并在所述帧图像上自动进行盆底状态标注。