[发明专利]超声图像的基准图像的生成方法、装置、设备及存储介质

说明书

本申请涉及图像特征处理领域，特别是涉及到一种超声图像的基准图像的生成方法、装置、计算机设备及存储介质，所述方法包括：获取预配置的掩膜信息；获取原始超声图像；将所述原始超声图像与所述掩膜信息进行乘积处理，得到特征区域超声图像；将所述特征区域超声图像输入至深度学习网络，得到第一特征变量；将所述原始超声图像输入至深度学习网络，得到第二特征变量；根据所述第一特征变量得到图像的形状特征，根据所述第二特征变量得到图像的细粒特征；根据所述形状特征与所述细粒特征生成基准图像。本申请能够生成准确且具有可靠的可解释性的基准图，提高预测结果的可靠性。

技术领域

本申请涉及图像特征处理领域，特别是涉及到一种超声图像的基准图像的生成方法、装置、计算机设备及存储介质。

背景技术

随着成像技术的发展，数字影像已成为医学的主要数据，通过人工智能进行图像识别以辅助医生临床决策。当前人工智能技术向医疗领域渗透的最大障碍源于深度神经网络的“黑箱”问题，人类无法相信不可解释的AI做出的决策，原因在于无法准确地对AI决策作出合理的解释。目前一种方式是通过零值图计算超声图像对网络的预测结果的贡献，由于无法提供准确的基准图像，使得该方式无法判别网络关注的是该超声图像的形状特征还是纹理特征，从而无法判断网络是否关注了正确的特征，即目前的基准图不具备较好的超声基准图特性，无法准确表示图像中的特征信息。

发明内容

本申请的主要目的为提供一种超声图像的基准图像的生成方法及投屏连接控制方法、装置、计算机设备及存储介质，旨在解决超声基准图的特征表示准确性低的问题。

为了实现上述发明目的，本申请提出一种超声图像的基准图像的生成方法，包括：

获取预配置的掩膜信息；

获取原始超声图像；

将所述原始超声图像与所述掩膜信息进行乘积处理，得到特征区域超声图像；

将所述特征区域超声图像输入至深度学习网络，得到第一特征变量；将所述原始超声图像输入至深度学习网络，得到第二特征变量；

根据所述第一特征变量得到图像的形状特征，根据所述第二特征变量得到图像的细粒特征；

根据所述形状特征与所述细粒特征生成基准图像。

进一步地，所述将所述特征区域超声图像输入至深度学习网络，得到第一特征变量；将所述原始超声图像输入至深度学习网络，得到第二特征变量，包括：

将所述特征区域超声图像输入至深度学习网络，基于所述深度学习网络中的非线性映射网络和仿射变换对所述特征区域超声图像的潜在编码进行变换，得到第一特征变量；

将所述原始超声图像输入至深度学习网络，基于所述深度学习网络中的非线性映射网络和仿射变换对所述原始超声图像的潜在编码进行变换，得到第二特征变量。

进一步地，所述根据所述第一特征变量得到图像的形状特征，根据所述第二特征变量得到图像的细粒特征，包括：

将所述第一特征变量输入至生成网络中的低分辨率卷积层，得到图像的形状特征；

将所述第二特征变量输入至生成网络中的高分辨率卷积层，得到图像的细粒特征。

进一步地，所述低分辨率卷积层为分辨率4²-32²的卷积层；所述高分辨率卷积层为分辨率64²-1024²的卷积层。

进一步地，所述根据所述形状特征与所述细粒特征生成基准图像之后，还包括：

将所述原始超声图像与所述基准图像输入至分类网络，基于所述分类网络计算所述原始超声图像相较于所述基准图像的增量；

根据所述增量生成归因图。