[发明专利]一种基于多视角协同关系的先天性心脏病辅助诊断方法

摘要

本发明公开了一种基于多视角协同关系的先天性心脏病辅助诊断方法。本发明步骤如下：1.医疗超声数据增强和数据预处理，获得待检测医疗图像；2.将所述的不同视角多帧超声图像分别输入至利用卷积神经网络训练的SSD检测器，进行精准定位，获得Top1的精准定位结果；3：将上述多视角的病灶图像帧Ci及彩色超声原图帧Oi进行组合构建数据组{Ci,Oi},其中i代表第i个样本组。4:将数据组送入MUVDN网络进行训练并获得训练后的MUVDN二分类网络。本发明且具有较高的鲁棒性。减少了单一视角下伪影及噪声对诊断的影响，有效地提升了网络分类的准确率。

主权项

1.一种基于多视角协同关系的先天性心脏病辅助诊断方法，其特征在于包括以下步骤：步骤1：医疗超声数据增强和数据预处理，获得待检测医疗图像；具体子步骤包括：1‑1.获取受试者的心脏多视角彩色多普勒超声图像并由专业超声科医生进行病灶区域的手工标记；1‑2.对待标记的数据进行数据增强操作，包括翻转、平移等技术；步骤2：将所述的不同视角多帧超声图像分别输入至利用卷积神经网络训练的SSD检测器，对心脏病灶区域进行精准定位，并利用非极大值抑制算法获得Top1的精准定位结果；2‑1.在多视角多帧的彩色多普勒超声图像上进行感兴趣区域的定位；2‑2.基于感兴趣区域的坐标信息，通过裁剪操作从原图中提取病灶特征，得到多视角的局部病灶图像；步骤3：将上述多视角的病灶图像帧C_i及彩色超声原图帧O_i进行组合构建数据组{C_i,O_i},其中i代表第i个样本组；并将所有数据组划分为训练集、测试集；步骤4:将上述数据组送入MUVDN网络进行训练并获得训练后的MUVDN二分类网络，其中MUVDN二分类网络由MUVDN中的特征提取模块及全连接层构成；具体网络子步骤包括：4‑1.在上述多视角的病灶图像及彩色超声原图中利用浅层全卷积神经网络，提取浅层局部、浅层全局视图特征描述子；4‑2.在浅层局部描述子上利用全连接层，生成同一视角下不同帧图像之间的权重值S；4‑3.将浅层局部、全局视图特征送入深层全卷积神经网络提取深层局部F^l、全局视图特征F^g，并所得特征与权重系数S作乘积，得到精细化全局F^g_ref局部视图特征F^l_ref；式中i,j表示第i个视角的第j帧图像；4‑4.对上述全局、局部描述子进行视图‑最大池化操作以获取全局、局部的显著性特征表示；4‑5.将全局、局部显著性特征进行融合操作，并将融合后的特征输入全连接层；最终采用随机梯度下降算法优化损失函数，得到训练后的二分类MUVDN网络；步骤5:测试阶段，将步骤3中获得的测试集输入训练后得到的二分类MUVDN网络，输出病灶区域类别分类。