[发明专利]基于残差网络结构的子宫肌瘤目标图像获取方法

权利要求书

1.一种基于残差网络结构的子宫肌瘤目标图像获取方法，其特征在于，所述方法包括以下两个阶段：

阶段一，模型训练

S1、在原始样本超声图像上，对包含子宫肌瘤图像的区域以矩形框形式进行病灶目标图像区域标注，得到标准标记结果，标准标记结果包括标准标注图像及标准标记文件；

S2、将所述标准标注图像通过改进型YOLOv3目标检测模型进行检测，得到模型检测结果，模型检测结果包括子宫肌瘤目标图像在图像中的位置、尺寸及数量；

S3、将步骤S2的模型检测结果与步骤S1中的标准标记结果进行统一，得到训练好的改进型YOLOv3目标检测模型；

阶段二，模型应用

将待检测的超声图像输入至训练好的改进型YOLOv3目标检测模型进行检测，得到子宫肌瘤目标图像区域结果。

2.根据权利要求1所述的一种基于残差网络结构的子宫肌瘤目标图像获取方法，其特征在于，所述改进型YOLOv3目标检测模型，设置有ResNet残差学习结构，每个卷积层中依次设置有所述ResNet残差学习结构。

3.根据权利要求2所述的一种基于残差网络结构的子宫肌瘤目标图像获取方法，其特征在于，所述改进型YOLOv3目标检测模型具体是将YOLO v3中的backbone网络替换为Resnet50。

4.根据权利要求3所述的一种基于残差网络结构的子宫肌瘤目标图像获取方法，其特征在于，所述的改进型YOLOv3目标检测模型，具体的设计的Anchors尺寸为：[[10,13]、[16,30]、[33,23]、[30,61]、[62,45]、[59,119]、[116,90]、[156,198]和[373,326]。

5.根据权利要求1至4任意一项所述的一种基于残差网络结构的子宫肌瘤目标图像获取方法，其特征在于，S3中将步骤S2的模型检测结果与步骤S1中的标准标记结果进行统一，具体包括：

计算损失函数，对预测的中心坐标做损失，采用式(1)的损失函数：

式(1)计算了相对于预测的边界框位置(x,y)的loss数值；其中λ是一个给定的常数，表示该项损失所占的权重；(x,y)是从训练数据中得到的实际位置，(x^,y^)是预测边界框的位置；该函数计算了每一个网格单元(i＝0,...,S²)的每一个边界框预测值(j＝0,...,B)的总和；

定义如下：如果网格单元i中存在目标，则第j个边界框预测值对该预测有效，如果网格单元i中不存在目标，

对每一个网格单元YOLO预测到对应边界框，在训练时，根据哪个预测有最高的实时IOU和GT，来确认其对于预测一个目标有效；

对预测边界框的宽高做损失，具体采用式(2)的损失函数：

对预测的类别做损失，具体采用式(3)的损失函数：

使用是当网格单元中不存在目标时，不会惩罚分类误差；

对预测的置信度做损失，具体采用式(4)的损失函数：

C是置信度得分，是预测边界框与GT框的交叉部分，当在一个网格单元中存在目标时，否则

最后，将四部分损失函数加在一起得到总的损失函数：

根据总的损失函数不断对改进型YOLOv3目标检测模型进行修改，在修正后达到最终的总的损失函数不再下降时，得到训练好的改进型YOLOv3目标检测模型。

6.根据权利要求5所述的一种基于残差网络结构的子宫肌瘤目标图像获取方法，其特征在于，通过高年资的医生对包含子宫肌瘤图像的区域以矩形框形式进行病灶目标图像区域标注。

7.根据权利要求5所述的一种基于残差网络结构的子宫肌瘤目标图像获取方法，其特征在于，S2中将所述标准标注图像通过改进型YOLOv3目标检测模型进行检测前，还包括对标注图像的数据整理；

对标准标注图像进行区域切分处理，仅保留还有肌瘤病灶区的有效图像；

将有效图像进行掩码后分为训练集和测试集，完成对标准标注图像的数据整理；

训练集和测试集用于所述改进型YOLOv3目标检测模型的训练及测试。