[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

说明书

本发明公开了一种基于超声影像的肺炎辨识方法、装置和计算机设备，该方法包括：构建多尺度信息融合的深度残差网络模型；将二维超声影像输入模型中，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特征，得到具有高层语义信息的特征；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，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。该方法能够增强在超声影像辨识中对不同病人、不同部位的抗干扰能力。

技术领域

本发明涉及人工智能辅助肺炎智能诊断领域，特别涉及一种端到端基于超声影像的多尺度信息融合的深度残差网络的肺炎智能辨识方法、装置和计算机设备。

背景技术

近年来，随着计算机存储技术和GPU(Graphics Processing Unit)图形加速处理器等技术的飞速发展，促使以面向大数据分析处理的深度学习(Deep learning，DL)技术取得不断突破。该技术以其优越的自适应特征提取能力和特征表达能力在图像和语音等领域的大数据处理方面取得了丰硕的成果。同时，在X光、超声影像分析等智慧医疗领域，该技术克服了以传统分析手段大量依赖专家医生经验知识的缺陷，其强大的病理特征自学习和抗干扰能力、灵活的模块化结构设计，以及端到端(End-to-End)的网络模型构建方式和训练特点等，可有效支持复杂多变场景下医疗影像的智能分析辨识。

然而，在面向大数据的肺炎超声影像分析中，面临如下困难：由于超声成像原理特点，导致一是同一病人，其超声影像采集位置存在稍许偏差，其影像中的病理特征表现就会存在巨大差异；二是同种类型病况的病人，其相似位置采集得到的超声影像，其病理特征表现也会存在很大差异。因此，如何从原始超声影像中提取具有高度表征能力的肺炎相关特征，是实现肺炎智能辨识面临的一大难点。

发明内容

基于此，有必要针对上述技术问题，提供一种基于超声影像的肺炎辨识方法、装置和计算机设备。

本发明实施例提供一种基于超声影像的肺炎辨识方法，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。

进一步地，所述降采样，包括：对二维超声影像降采样32倍。

进一步地，本发明实施例提供的一种基于超声影像的肺炎辨识方法还包括：

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。

进一步地，所述训练集χ表示为：