本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，特別是一種基于深度學習的超聲造影腫瘤自動識別與檢測方法。

背景技術(shù)：

當前面向超聲造影腫瘤診斷的計算機輔助診斷方法的研究很少，通過檢索相關(guān)關(guān)鍵詞，發(fā)現(xiàn)近年來很少對該方法進行研究，主要研究思路是利用b超的圖像和已知的肝臟病灶區(qū)域的圖像作為數(shù)據(jù)，分別使用了人神經(jīng)網(wǎng)絡(luò)和決策樹進行分類，實現(xiàn)了一定程度的準確率。但是由于病灶區(qū)形態(tài)的多樣性，在應(yīng)對未知類型的病灶區(qū)時，無法實現(xiàn)有效的預(yù)測。其中，對于組織紋理不同的肝癌組織識別準確率僅有65.2％，對于完全不同類型的肝癌組織的識別率僅有41.7％；基于現(xiàn)有的傳統(tǒng)分類器如決策樹、多分類的邏輯回歸等，分割準確率較低，具有較高的假陽性率和假陰性率；現(xiàn)有的分類器在識別上無法達到較高的準確率。

超聲造影腫瘤檢測是現(xiàn)在腫瘤檢測中敏感度準確度最高的檢測方法之一，但是現(xiàn)有的超聲造影腫瘤診斷都基于醫(yī)生的專業(yè)知識對醫(yī)生的專業(yè)水平有很高的要求，因此只有少量的高水平醫(yī)院可以開展超聲造影腫瘤檢測。為提高超聲造影腫瘤檢測的自動化程度、腫瘤檢測的準確度。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提出一種基于深度學習的超聲造影腫瘤自動識別與檢測方法。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：

本發(fā)明提供的基于深度學習的超聲造影腫瘤自動識別與檢測方法，包括以下步驟：

獲取目標區(qū)域的特征視頻數(shù)據(jù)；

對所述特征視頻數(shù)據(jù)進行數(shù)據(jù)預(yù)處理：

將預(yù)處理后的特征視頻數(shù)據(jù)進行分塊得到若干視頻塊；

將視頻塊作輸入到3d卷積神經(jīng)網(wǎng)絡(luò)中進行數(shù)據(jù)處理得到特征圖層；

將特征圖層輸入到全連接層中進行特征分類；

輸出最終分類結(jié)果。

進一步，所述3d卷積神經(jīng)網(wǎng)絡(luò)按照以下公式提取特征圖層：

其中，表示第i層的第j個特征圖層上位于(x,y,z)的神經(jīng)元輸出值；m表示i-1層與第j個特征圖層所連接的特征圖層的索引值；pi和qi分別表示第i層的卷積核的高和寬ri表示第i層卷積核的深度；為第m個特征圖層上與位于(p,q,r)點的值；bij為第j個特征圖層的偏置；g()為激活函數(shù)。

進一步，所述3d卷積神經(jīng)網(wǎng)絡(luò)按照反向傳播bp算法進行訓練。

進一步，所述特征視頻數(shù)據(jù)為從微泡注入到微泡完全充盈組織區(qū)域后穩(wěn)定一段時間的視頻。

進一步，所述特征視頻數(shù)據(jù)為等時長的視頻數(shù)據(jù)，所述時長為從微泡注入到微泡完全充盈組織區(qū)域的時長。

由于采用了上述技術(shù)方案，本發(fā)明具有如下的優(yōu)點：

本發(fā)明提供的基于深度學習的自動化超聲造影腫瘤識別與檢測方法。該方法利用3d卷積神經(jīng)網(wǎng)絡(luò)，能有效提取超聲造影視頻數(shù)據(jù)幀內(nèi)與幀間的時間空間有效血流特征，并基于腫瘤組織與正常組織的差異性，結(jié)合了視頻數(shù)據(jù)的時空特性，使用了3dcnn算法進行腫瘤分割，實現(xiàn)腫瘤組織的檢測，比傳統(tǒng)機器學習算法取得了更好的分割準確率。

本發(fā)明的其他優(yōu)點、目標和特征在某種程度上將在隨后的說明書中進行闡述，并且在某種程度上，基于對下文的考察研究對本領(lǐng)域技術(shù)人員而言將是顯而易見的，或者可以從本發(fā)明的實踐中得到教導(dǎo)。本發(fā)明的目標和其他優(yōu)點可以通過下面的說明書來實現(xiàn)和獲得。

附圖說明

本發(fā)明的附圖說明如下。

圖1為本發(fā)明的流程圖。

圖2為本發(fā)明的3d卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

圖3a為本發(fā)明的自動識別與檢測原圖。

圖3b為本發(fā)明的自動識別與檢測效果圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進一步說明。

實施例1

本實施例提供的基于深度學習的超聲造影腫瘤自動識別與檢測方法，包括以下步驟：

獲取目標區(qū)域的特征視頻數(shù)據(jù)；所述特征視頻為從微泡注入到微泡完全充盈組織區(qū)域后穩(wěn)定一段時間的視頻；

對所述特征視頻數(shù)據(jù)進行數(shù)據(jù)預(yù)處理：

預(yù)處理：原視頻為幀率100幀每秒，時長200秒的視頻數(shù)據(jù)，一個視頻就有2gb大小，直接處理如此大小的數(shù)據(jù)會導(dǎo)致訓練和測試時間過長，故截取等時長的從微泡注入到充盈組織的10秒，每秒1關(guān)鍵幀的數(shù)據(jù)作為初步預(yù)處理得到的視頻數(shù)據(jù)。其中要保證不同的樣本間截取的幀從微泡注入到開始充盈組織的時長是一樣的。

將預(yù)處理后的特征視頻數(shù)據(jù)進行分塊得到若干視頻塊；

分塊：將上一步預(yù)處理得到的10幀的視頻數(shù)據(jù)，分成若干個23*23*10的小視頻塊(覆蓋了全部的大小，有重疊部分)

將視頻塊作輸入到3d卷積神經(jīng)網(wǎng)絡(luò)中進行特征提取得到特征圖層；

特征提取公式如下式，先經(jīng)過三維卷積運算，增加偏置，然后通過激活函數(shù)，輸出的結(jié)果為特征圖層

將特征圖層輸入到全連接層中進行特征分類，全連接層的輸出寬度為2，表示最終的分類結(jié)果是否為腫瘤。

所述3d卷積神經(jīng)網(wǎng)絡(luò)(見圖2，其中最左邊10幅圖代表著10幀的23*23的視頻數(shù)據(jù))按照以下公式提取特征圖層：

其中，表示第i層的第j個特征圖層上位于(x,y,z)的神經(jīng)元輸出值；m表示i-1層與第j個特征圖層所連接的特征圖層的索引值；pi和qi分別表示第i層的卷積核的高和寬ri表示第i層卷積核的深度；為第m個特征圖層上與位于(p,q,r)點的值；bij為第j個特征圖層的偏置；g()為激活函數(shù)。

所述3d卷積神經(jīng)網(wǎng)絡(luò)按照以下方式進行訓練：

訓練算法采用經(jīng)典的反向傳播(bp)算法，即使用反向傳播算法進行訓練。

實施例2

本實施例提供的基于深度學習的超聲造影腫瘤自動識別與檢測方法，該方法利用3d卷積神經(jīng)網(wǎng)絡(luò)，能有效提取超聲造影視頻數(shù)據(jù)幀內(nèi)與幀間的時間空間有效血流特征，并基于腫瘤組織與正常組織的差異性，實現(xiàn)腫瘤組織的檢測。該方法同時考慮到目標區(qū)域周圍的空間信息和隨時間變化的信息，提高了分割準確率；兼顧了周圍的空間信息和連續(xù)的時間信息；有效地將納米微泡在組織(或腫瘤)中的流動過程信息較好的用于腫瘤區(qū)域的分割。實現(xiàn)較高的分割準確率，具體步驟如下：

數(shù)據(jù)預(yù)處理：截取視頻，從完整視頻中截取同樣長度的特征視頻數(shù)據(jù)，特征視頻主要包括從微泡注入到微泡完全充盈組織區(qū)域后穩(wěn)定一段時間的視頻。視頻的長度和幀率根據(jù)數(shù)據(jù)的種類和幀率進行確定，保證不同的視頻數(shù)據(jù)截取后的視頻長度相等。

視頻分塊：選取每個像素點周圍一定數(shù)量的像素點的視頻數(shù)據(jù)作為一個視頻塊，每個視頻塊的標簽取決于視頻塊中是否包含腫瘤區(qū)域。將截取后的視頻進行分塊得到若干同樣大小，同樣時間長度且?guī)в袠撕灥囊曨l塊，這些視頻塊作為3d卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。

特征提?。簩⒌玫綌?shù)據(jù)輸入訓練好的網(wǎng)絡(luò)中，網(wǎng)絡(luò)通過3d卷積層進行特征提取，每個層包含不同數(shù)量的3d卷積核，對于輸入的數(shù)據(jù)進行特征提取產(chǎn)生不同的特征圖層。每個卷積層后接一個采樣層，采樣層將縮小特征圖層的大小以減少網(wǎng)絡(luò)中參數(shù)的數(shù)目。

特征分類：將經(jīng)過多層卷積層和采樣層提取后的特征與一個全連接層相連以實現(xiàn)分類。全連接層的輸出寬度為2，表示最終的分類結(jié)果是否為腫瘤。網(wǎng)絡(luò)中的各項參數(shù)均使用經(jīng)典的反向傳播算法進行訓練。網(wǎng)絡(luò)的結(jié)構(gòu)如下圖2所示，其中，最左邊的輸入是23*23*10大小的視頻塊，10是指的10幀圖像。經(jīng)過一層三維卷積層，卷積核大小為4*4*4，生成了3個大小為20*20*7的特征圖層，經(jīng)過采樣層特征圖層大小變成了10*10*7，再經(jīng)過第二層卷積層，卷積核大小為3*3*4，生成12個8*8*4的特征圖層，經(jīng)過第二層采樣層特征圖層變?yōu)?*4*4，最后通過一個4*4的二維卷積把前面特征圖層拉成一個特征向量。將給向量輸入到一個輸入寬度為128輸出寬度為2的全連接層中，最后的輸出結(jié)果就是視頻塊是否包含腫瘤的結(jié)果。

圖3a是腫瘤的標簽數(shù)據(jù)，圖3b是3dcnn的網(wǎng)絡(luò)識別結(jié)果，是一個偽彩的圖；前面的3d卷積神經(jīng)網(wǎng)絡(luò)實際上是完成了一個特征提取的過程，從不同的視頻塊中提取出了視頻塊的特征，然后全連接層才是最后的分類器，就相當于一般的神經(jīng)網(wǎng)絡(luò)，將前面提取到的特征進行分類，最后的輸出結(jié)果就是，該視頻塊是否包含腫瘤部分。其中訓練方法就是經(jīng)典反向傳播算法，根據(jù)已知的標簽和數(shù)據(jù)進行訓練，不斷的調(diào)整卷積核的權(quán)重和每層的偏置值，全連接層的權(quán)重和偏置等。

最后說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照較佳實施例對本發(fā)明進行了詳細說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解，可以對本發(fā)明的技術(shù)方案進行修改或者等同替換，而不脫離本技術(shù)方案的宗旨和范圍，其均應(yīng)涵蓋在本發(fā)明的保護范圍當中。