[发明专利]一种基于超声影像的肺炎辨识方法、装置和计算机设备

权利要求书

1.一种基于超声影像的肺炎辨识方法，其特征在于，包括：

获取二维超声影像；

构建多尺度信息融合的深度残差网络模型，所述模型包括：原始残差连接的子网络ResNet模块和特征金字塔FPN子网络模块；

将二维超声影像输入所述多尺度信息融合的深度残差网络模型中；其中，

所述原始残差连接的子网络ResNet模块，利用交替堆叠的卷积和池化模块、残差连接模块、非线性激活函数ReLU，自底向上逐层自适应提取二维超声影像中肺炎病理多尺度特征，降采样处理后得到具有高层语义信息的特征；

所述特征金字塔FPN子网络模块，自顶向下对二维超声影像进行底层纹理特征提取，并与下一级特征图相连，使底层纹理特征与具有高层语义信息的特征自适应融合；

采用深度残差网络的全局均值池化和非线性全连接层，将融合后的特征投影到二分类模式空间中进行肺炎辨识。

2.如权利要求1所述的一种基于超声影像的肺炎辨识方法，其特征在于，所述降采样，包括：对二维超声影像降采样32倍。

3.如权利要求1所述的一种基于超声影像的肺炎辨识方法，其特征在于，还包括：

将多名正常以及肺炎患者的超声影像作为训练集；

采用二值交叉熵损失作为所述多尺度信息融合的深度残差网络模型的损失函数；

根据训练集和损失函数，采用反向传播算法BP对所述多尺度信息融合的深度残差网络模型进行训练。

4.如权利要求3所述的一种基于超声影像的肺炎辨识方法，其特征在于，所述训练集χ表示为：

其中，x_i表示第i个超声影像样本；y_i∈{0,1}，0代表正常，1代表肺炎；M表示采集到的样本数量。

5.如权利要求3所述的一种基于超声影像的肺炎辨识方法，其特征在于，所述损失函数J如下：

其中，表示模型预测第i个样本患有肺炎的概率，值越大，表明该样本对应患者患有肺炎的概率越大；M表示采集到的样本数量。

6.如权利要求3所述的一种基于超声影像的肺炎辨识方法，其特征在于，所述训练的优化器选用Adam，初始学习率lr设置为0.001，每个batch的样本量大小设置为16。

7.如权利要求3任一项所述的一种基于超声影像的肺炎辨识方法，其特征在于，还包括：

采用训练后的模型预测待评估的超声影像验证集；

采用精度P、召回率R，及F测度F₁指标定量评估训练过程中模型在验证集上的性能；其中，精度P、召回率R分别表征了模型在检测肺炎时的准确性和完备性，指标F₁从准确性和完备性方面综合评估模型异常检测的有效性能。

8.一种基于超声影像的肺炎辨识装置，其特征在于，包括：

超声获取单元，用于获取二维超声影像；

模型构建单元，用于构建多尺度信息融合的深度残差网络模型；所述模型包括：

原始残差连接的子网络ResNet模块，用于利用交替堆叠的卷积和池化模块、残差连接模块、非线性激活函数ReLU，自底向上逐层自适应提取二维超声影像中肺炎病理多尺度特征，降采样处理后得到具有高层语义信息的特征；

特征金字塔FPN子网络模块，用于自顶向下对二维超声影像进行底层纹理特征提取，并与下一级特征图相连，使底层纹理特征与具有高层语义信息的特征自适应融合；

肺炎辨识模块，用于采用深度残差网络的全局均值池化和非线性全连接层，将融合后的特征投影到二分类模式空间中进行肺炎辨识。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～7中任一项所述的方法的步骤。