[发明专利]一种乳腺超声造影视频中病灶区形态自动标注方法

说明书

本发明公开了一种乳腺超声造影视频中病灶区形态自动标注方法，设计一个端到端的网络模型结构只需将待识别数据送入模型中，模型自动对每帧图像进行卷积操作，提取出分类依据的判别特征。整个识别过程中无需人工勾画病灶区范围，因为某些病灶形态特征描述有关正常组织下的造影变化与病变组织造影变化对比，如增强强度、增强时序等，因此使用卷积神经网络中的卷积自动对整个造影视频帧序列进行卷积计算，通过计算得出的特征值表现出正常组织与病变区域的映射数据，并根据网络规则进行对比得出结果。此外，如蟹足状、增强顺序等形态特征，使用所设计网络对视频连续帧的时空特征自动计算出该形态动态变化所对应的特征。

技术领域

本发明涉及医学超声影像数据处理领域，具体涉及一种乳腺超声造影视频中病灶区形态自动标注方法。

背景技术

相对自然图像的处理，医学超声影像数据因其自身噪声大、分辨率低、数据量少等特点而导致使用常见机器学习、深度学习方法对图像的特征学习效果不佳。本发明设计一种智能标注方法，可以实现超声造影中病灶形态特征的自动标注，标注结果可以用于后续数据分析、机器学习、数据存档、医疗辅助，具有重要的应用价值。

利用造影剂在传统超声成像中应用，可以有效的增强超声波的反射，使得超声图像相对清晰。专业医生常常需要肉眼观察超声造影视频中病灶的动态变化，记录这些病变部位特征状况及形态变化，为病变结节诊断提供辅助诊断信息以及在后续治疗过程中提供数据信息辅助病情观察。医生工作时，主观经验下肉眼判断导致的误差难以保证病灶特征形态记录准确性。

发明内容

为解决现有技术中存在的问题，本发明提供了一种乳腺超声造影视频中病灶区形态自动标注方法，解决了上述背景技术中提到的问题。

为实现上述目的，本发明提供如下技术方案：一种乳腺超声造影视频中病灶区形态自动标注方法，采用了卷积神经网络架构，实现自动提取超声造影视频中病灶形态特征参数信息完成形态识别分类，对该病例数据进行病灶标注，步骤如下：

S1，构建乳腺超声造影多标签数据集，以医院提供的乳腺超声视频数据以帧为单位将每个病例中超声造影视频处理为连续图像，使用单独文件夹存放每个病例的超声造影帧序列图像；

S2，将步骤S1整理好的数据进行预处理，使用边缘增强的各向异性扩散去噪算法进行图像去燥处理，使得数据集去除超声图像斑点噪声，保持超声图像中的细节特征及边缘特征；

S3,将步骤S2中去燥的数据的每个病例文件存放地址与对应医生记录的每个病例的病灶形态特征文本作为一个样本保存为json文件，因每个超声病例视频都包含上述形态类型，因此需要将标签制作为多标签进行类别标记；

S4,将步骤S3中训练数据集每个像素的3个通道都先减去127.5后除以128得到归一化后的超声造影视频序像素值；

S5,为了利用端到端的分类模型完成形态识别，设计了3D网络,所述3D网络使用残差网络resnet50结合C3D网络作为基础训练网络，包括8个模块，每个模块包括卷积层，卷积核大小为:3×3×3，步长为:1×1×1；使用迁移自然图像分类任务将残差网络resnet50预训练后，将步骤S4的样本传入网络结构中进行网络模型权重参数的计算，详细计算步骤如下所示；

S6,网络的输入为16张大小为224*224的超声造影连续帧，根据是否为第一个模块，对输入数据或者上层网络的特征图feature map使用C3D网络进行样本时空特征提取；

S7,使用预训练好的残差网络resnet50，根据是否为第一个模块，接收输入数据或者上层网络的特征图feature map，进行空间特征信息提取，平均所有feature map的结果后作为该层的整个空间特征残差块；同时根据是否为第一个模块，使用3*1*1的一维时间卷积对输入数据或者上层网络的特征图feature map进行时间序列特征提取；