CN111768379A - 一种子宫三维超声图像的标准切面检测方法 - Google Patents
一种子宫三维超声图像的标准切面检测方法 Download PDFInfo
- Publication number
- CN111768379A CN111768379A CN202010604216.4A CN202010604216A CN111768379A CN 111768379 A CN111768379 A CN 111768379A CN 202010604216 A CN202010604216 A CN 202010604216A CN 111768379 A CN111768379 A CN 111768379A
- Authority
- CN
- China
- Prior art keywords
- plane
- initial
- training
- standard
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 72
- 210000004291 uterus Anatomy 0.000 claims abstract description 83
- 230000009471 action Effects 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims description 195
- 238000000034 method Methods 0.000 claims description 64
- 238000013528 artificial neural network Methods 0.000 claims description 63
- 230000002787 reinforcement Effects 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 239000000523 sample Substances 0.000 description 54
- 238000011176 pooling Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000002357 endometrial effect Effects 0.000 description 6
- 210000004696 endometrium Anatomy 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 2
- 206010046798 Uterine leiomyoma Diseases 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000007012 clinical effect Effects 0.000 description 2
- 239000003433 contraceptive agent Substances 0.000 description 2
- 230000002254 contraceptive effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000036244 malformation Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4318—Evaluation of the lower reproductive system
- A61B5/4325—Evaluation of the lower reproductive system of the uterine cavities, e.g. uterus, fallopian tubes, ovaries
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4318—Evaluation of the lower reproductive system
- A61B5/4337—Evaluation of the lower reproductive system of the vagina
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Reproductive Health (AREA)
- Gynecology & Obstetrics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种子宫三维超声图像的标准切面检测方法,应用于标准切面检测模型,所述方法包括:所述标准切面检测模型确定待检测的子宫三维超声图像的初始切面;所述标准切面检测模型确定所述初始切面对应的调整动作,并基于所述调整动作确定所述子宫三维超声图像对应的标准切面。本发明通过标准切面检测模型自动确定子宫三维超声图像对应的标准切面,实现了标准切面的自动化获取,避免了标准切面对应医生经验的依赖,从而避免不同医生获取到的标准切面之间存在,提高了基于标准切面对子宫相关情况的判断的准确性。
Description
技术领域
本发明涉及超声技术领域,特别涉及一种子宫三维超声图像的标准切面检测方法。
背景技术
子宫三维超声容积数据中存在多个标准切面,可以用于评估子宫的各种异常以及进行生物量的测量等(例如,检测先天性畸形、子宫肌瘤以及子宫内膜增殖、内膜厚度指标的测量以及判断内膜分型等),从而子宫三维超声容积数据的标准切面检测在临床上有非常重要的作用。然而,目标在确定三维超声容积数据中的标准切面时,需要医生手动标定标准切面,这需要极度依赖医生的经验和专业水平,使得不同医生获取到的标准切面之间存在,而会影响对子宫相关情况的判断的准确性。
发明内容
本发明要解决的技术问题在于,针对现有技术的不足,提供一种子宫三维超声图像的标准切面检测方法。
为了解决上述技术问题,本发明实施例第一方面提供一种子宫三维超声图像的标准切面检测方法,所述方法包括:应用标准切面检测模型,所述标准切面模型包括深度强化学习模块,所述深度强化学习模块为基于神经网络搜索方法确定的,所述方法包括:
所述标准切面检测模型确定待检测的子宫三维超声图像的初始切面;
所述标准切面检测模型确定所述初始切面对应的调整动作,并基于所述调整动作确定所述子宫三维超声图像对应的标准切面。
所述子宫三维超声图像的标准切面检测方法,其中,所述标准切面检测模型确定所述初始切面对应的调整动作,并基于所述调整动作确定所述子宫三维超声图像对应的标准切面具体包括:
所述深度强化学习模块将所述初始平面作为输入平面,并确定所述输入平面对应的第一调整动作,并基于所述输入平面确定所述第一调整动作对应的第一平面;
所述深度强化学习模块将所述第一平面作为输入平面,并继续执行确定所述输入平面对应的第一调整动作的步骤直至第一平面满足预设条件,以得到所述子宫三维超声图像对应的标准切面。
所述子宫三维超声图像的标准切面检测方法,其中所述初始平面包括若干初始平面,所述标准切面包括若干标准切面,所述若干初始平面与所述若干标准切面一一对应。
所述子宫三维超声图像的标准切面检测方法,其中所述深度强化学习模块包括共享卷积单元以及若干特征提取单元,若干特征提取单元与若干初始切面一一对应,所述若干特征提取单元并联且均与所述共享卷积单元相连接。
所述子宫三维超声图像的标准切面检测方法,其中所述深度强化学习模块基于所述初始平面,确定所述初始平面对应的第一调整动作,并基于所述输入平面确定所述第一调整动作对应的第一平面具体包括:
所述共享卷积单元确定各初始平面各自分别对应的卷积特征图;
各特征图提取单元基于各自对应的初始平面的卷积特征图,确定各初始平面各自对应的第一调整动作,并基于各第一调整动作确定各初始平面各自对应的第一平面。
所述子宫三维超声图像的标准切面检测方法,其中所述标准切面检测模型包括空间调整模块;所述基于所述输入平面确定所述第一调整动作对应的第一平面之后,所述方法包括:
所述空间调整模块基于预知的标准切面之间空间位置关系,对各第一平面进行调整,并将调整后的第一平面作为所述第一调整动作对应的第一平面。
本发明实施例第二方面提供了一种标准切面检测模型的生成方法,其所述方法包括:
获取神经网络的搜索空间,其中,所述搜索空间包括若干神经网络单元,每个神经网络单元包括若干基础单元,每个基础单元中的两个节点之间配置若干网络操作;
根据各基础单元中的各网络操作对应的结构参数,从搜索空间中选取候选网络;
基于训练样本对所述候选网络的网络参数进行训练,其中,所述网络参数包括结构参数或者模型参数;
采用训练后的候选搜索空间,并继续执行根据各基础单元中的各网络操作对应的结构参数的步骤,直至执行次数满足预设条件;
将评分最高的候选搜索空间作为深度强化学习模块,并基于所述深度强化学习模块,确定所述标准切面检测模型。
所述标准切面检测模型的生成方法,其中,所述获取神经网络的搜索空间具体包括:
构建基础单元,其中,所述基础单元包括输入节点、若干中间节点以及输出节点;输入节点与各中间节点,以及各中间节点中每个中间节点与按照预设节点顺序位于其后的中间节点之间均配置有若干网络操作;
基于基础单元构成第一神经网络单元和若干第二神经网络单元,并分别将若干第二神经网络单元与第一神经网络单元连接,以得到搜索空间,其中,若干第二神经网络单元中的各第二神经网络单元的基础单元数量不相同。
所述标准切面检测模型的生成方法,其中,所述根据各基础单元中的各网络操作对应的结构参数,从搜索空间中选取候选网络具体为:
对于每个基础单元中任意两个配置若干网络操作的节点,将若干网络操作中结构参数最大的网络操作作为两个节点之间的网络操作,以选取到候选网络。
所述标准切面检测模型的生成方法,其中,所述准切面检测模型包括空间调整模块,所述空间调整模块与所述深度强化学习模块相连接,其中,所述空间调整模块为基于神经网络搜索方法确定的。
所述标准切面检测模型的生成方法,其中,所述标准切面检测模型的训练过程具体包括:
获取训练样本集,其中,所述训练样本集包括若干训练图像以及各训练图像对应的标准切面标签,若干训练图像中的每个训练图像均为子宫三维超声图像;
基于预设网络模型,确定训练样本集中的训练图像对应的预测标准切面,并基于预测标准切面以及标准切面标签对预设网络模型进行训练,以得到所述标准切面检测模型。
所述标准切面检测模型的生成方法,其中,所述获取训练样本集具体包括:
获取初始训练样本集;
对于初始训练样本集中的每张训练图像,将初始训练样本集中除该训练图像外的其余训练图像与该训练图像进行配准,并获取该训练图像与各配准后的训练图像的差异信息和;
根据各训练图像各自对应的差异信息和,确定所述初始训练样本集对应的目标训练图像,其中,所述目标训练图像包含于所述初始训练样本集;
基于所述目标训练图像以及该目标训练图像对应的各配准后的训练图像更新所述初始训练样本集,并更新后的初始训练样本集作为所述训练样本集。
所述标准切面检测模型的生成方法,其中,所述对于初始训练样本集中的每张训练图像,确定初始训练样本集中除该训练图像外的其余训练图像与该训练图像进行配准,并获取该训练图像与各配准后的训练图像的差异信息和具体包括:
获取初始训练样本集中各训练图像各自对应的关键特征点;
对于初始训练样本集中的每张训练图像,基于关键特征点将初始训练样本集中除该训练图像外的其余训练图像与该训练图像进行配准,并获取该训练图像与各配准后的训练图像的差异信息和。
本发明实施例第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的子宫三维超声图像的标准切面检测方法中的步骤。
本发明实施例第四方面提供了一种超声设备,其包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如上任一所述的子宫三维超声图像的标准切面检测方法中的步骤。
有益效果:与现有技术相比,本发明提供了一种子宫三维超声图像的标准切面检测方法,应用于标准切面检测模型,所述方法包括:所述标准切面检测模型确定待检测的子宫三维超声图像的初始切面;所述标准切面检测模型确定所述初始切面对应的调整动作,并基于所述调整动作确定所述子宫三维超声图像对应的标准切面。本发明通过标准切面检测模型自动确定子宫三维超声图像对应的标准切面,实现了标准切面的自动化获取,避免了标准切面对应医生经验的依赖,从而避免不同医生获取到的标准切面之间存在,提高了基于标准切面对子宫相关情况的判断的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员而言,在不符创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的标准切面检测模型的生成方法的流程图。
图2为本发明提供的子宫三维超声图像的标准切面检测方法的流程图。
图3为本发明提供的子宫三维超声图像的示例图。
图4为本发明提供的子宫三维超声图像的正中矢状面示例图。
图5为本发明提供的子宫三维超声图像的横断面的示例图。
图6为本发明提供的子宫三维超声图像的冠状面的示例图。
图7为本发明提供的子宫三维超声图像的关键特征点的示例图。
图8为本发明提供的子宫三维超声图像的三个标准切面的空间关系的示例图。
图9为本发明提供的标准切面检测模型的生成方法中基础单元的示例图。
图10为本发明提供的标准切面检测模型的生成方法中神经网络单元的示例图。
图11为本发明提供的超声设备的结构原理图。
具体实施方式
本发明提供一种子宫三维超声图像的标准切面检测方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
经发明人研究发现,在子宫三维超声容积数据(例如,如图3所示的子宫三维超声容积数据)中存在多个标准切面,可以用于评估子宫的各种异常以及进行生物量的测量等。例如,如图4-6所示,对于子宫数据其中的三个标准切面:正中矢状面、横断面、冠状面,可以较清楚地观察判断先天性畸形、子宫肌瘤、子宫内膜增殖等等,同时,也可以有效地定位子宫中的节育器,对节育器是否移位可以做出有效判断。冠状面是只有三维超声才可以得到的,通过对冠状面的检测可以对子宫异常、节育器定位等有更直观的判断。除此之外,子宫的标准切面上还可以进行如内膜厚度等指标的测量以及判断内膜分型等,内膜厚度以及分型是评估子宫内膜容受性的重要指标,而容受性好坏对胚胎能否正常种植和供应后期的营养有至关重要的影响。因此,子宫的标准切面检测在临床上有非常重要的作用。子宫超声主要分为经腹体表探测和经阴道超声探测两种,以经阴道超声探测的操作为例,对于二维的经阴道超声,医生可以用一次性避孕套罩住超声探头,套内外均涂以消毒耦合剂,然后将探头送入阴道穹窿部,通过倾斜、推拉、旋转等操作,根据显示屏的图像,找到指定的标准切面,冻结保存获得图像;医生也可以操作三维超声探头,通过图像反馈,冻结保存获得三维超声图像,然后在通过操作轨迹球和按键在三维超声图像中旋转和平移找到标准切面。这样的过程存在着以下的不足:(1)过程繁琐耗时:子宫中存在多个标准切面,医生需要通过多次操作探头、按键等以获得所需要的标准切面;(2)对医生的操作要求较高:若需要获取到子宫的冠状面,则必须使用基于三维的超声,但是医生往往对二维的解剖结构较为熟悉,因此医生在三维数据里根据解剖信息找标准切面的难度较高;(3)由于受到怀孕、节育器、病变等多方面的影响因素,子宫的同一种标准切面的内部差异较大,从而同一个医生标注的标准切面以及不同医生间的标准都会存在一定差异,这样增加了标准切面检测对医生的经验和专业水平的依赖,并且不同医生确定的标准切面之间的差异不利于子宫诊断的标准化和专业化,也会影响对子宫相关情况的判断。
为了解决上述问题,本实施例提供了一种子宫三维超声图像的标准切面检测方法,应用于标准切面检测模型,通过标准切面检测模型确定待检测的子宫三维超声图像的初始切面;确定所述初始切面对应的调整动作,并基于所述调整动作确定所述子宫三维超声图像对应的标准切面。本发明通过标准切面检测模型自动确定子宫三维超声图像对应的标准切面,实现了标准切面的自动化获取,避免了标准切面对应医生经验的依赖,从而避免不同医生获取到的标准切面之间存在,提高了基于标准切面对子宫相关情况的判断的准确性。
本实施例提供的一种子宫三维超声图像的标准切面检测方法,该方法应用标准切面检测模型,所述标准切面检测模型可以由软件实现,并应用于诸如智能手机、平板电脑或个人数字助理等之类的安装有操作系统的智能设备上。当然,所述标准切面检测模型也可以应用于服务器或云端等。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。
本实施提供了一种标准切面检测模型的生成方法,如图1所示,所述方法包括:
H10、获取神经网络的搜索空间;
H20、根据各基础单元中的各网络操作对应的结构参数,从搜索空间中选取候选网络;
H30、基于训练样本对所述候选网络的网络参数进行训练,其中,所述网络参数包括结构参数或者模型参数;
H40、采用训练后的候选搜索空间,并继续执行根据各基础单元中的各网络操作对应的结构参数的步骤,直至执行次数满足预设条件;
H50、将评分最高的候选搜索空间作为深度强化学习模块,并基于所述深度强化学习模块,确定所述标准切面检测模型。
具体地,所述搜索空间包括若干神经网络单元,每个神经网络单元包括若干基础单元,每个基础单元中的两个节点之间配置若干网络操作。其中,各神经网络单元包括的基础单元的数量可以不相同,例如,若干神经网络单元包括神经网络单元A和神经网络单元B,其中,神经网络单元A包括8个基础单元,神经网络单元包括10个基础单元等。此外,对于配置有网络操作的各节点对,各节点对之间配置的网络操作的数量以及网络操作类型均相同。可以理解的是,对于每个配置有网络操作的节点对,节点对之间配置相同的若干网络操作。例如,节点对之间配置的若干网络操作均包括无连接操作、3*3的普通卷积、5*5的普通卷积、3*3的带孔卷积,5*5的带孔卷积,3*3的可分离卷积、5*5可分离卷积、跳跃连接、3*3的最大池化以及3*3平均池化。当然,值得说明的是,对于每个节点对,该节点对中的两个节点均包含于同一基础单元。
在本实施例的一个实现方式中,所述获取神经网络的搜索空间具体包括:
构建基础单元;
基于基础单元构成第一神经网络单元和若干第二神经网络单元,并分别将若干第二神经网络单元与第一神经网络单元连接,以得到搜索空间,其中,若干第二神经网络单元中的各第二神经网络单元的基础单元数量不相同。
具体地,所述基础单元包括输入节点、若干中间节点以及输出节点,其中,若干中间节点之间预先配置了预设节点顺序,并且对于预设节点顺序中的两个节点,位于前的节点与位于后的节点之间可配置若干网络操作,位于后的节点与位于前的节点之间不可配置若干网络操作,并且各节点与输出节点之间不可配置网络操作。由此,在确定输入节点、各中间节点、输出节点以及各中间节点对应的预设节点顺序后,分别在输入节点与各中间节点之间配置若干网络操作,对于每个节点,在该中间节点与按照预设节点顺序位于其后的中间节点之间均配置有若干网络操作,以形成基础单元。例如,如图9所示,所述基础单元包括4个中间节点,分别为中间节点1、中间节点2、中间节点3以及中间节点4,预设节点顺序为1-2-3-4,那么可以在输入节点与中间节点1之间、输入节点与中间节点2之间、输入节点与中间节点3之间、输入节点与中间节点4之间、中间节点1与中间节点2之间、中间节点1与中间节点3之间、中间节点1与中间节点4之间、中间节点2与中间节点3之间、中间节点2与中间节点3之间以及中间节点3与中间节点4之间配置若干网络操作,以得到基础单元。
进一步,在确定基础单元后,分别将若干基础单元依次堆叠以形成第一神经网络单元和若干第二神经网络单元,例如,如图10所示。在确定第一神经网络单元和若干第二神经网络单元后,将各第二神经网络单元分别与第一神经网络单元相连接,以使得第一神经网络单元的输出项分别为各第二神经网络单元的输入项,以得到搜索空间。其中,各第二神经网络单元的基础单元的数量不同,也就是说,各第二神经网络单元的模型结构不同。例如,若干第二神经网络单元包括3个神经网络单元,3个第二神经网络单元均与第一神经网络单元相连接,并且第一神经网络单元的输出项为3个第二神经网络单元的输入项。
此外,在获取到搜索空间后,可以对搜索空间中各节点对之间的若干网络操作中的每个网络操作配置结构参数,并对搜索空间配置权重参数。其中,所述权重参数为模型参数;所述结构参数用于表示其对应的网络操作被选中的概率,各节点对之间的若干网络操作对应的结构参数的和等于1。例如,对于节点A和节点B,节点A与节点B之间配置有无连接操作、3*3的普通卷积、5*5的普通卷积、3*3的带孔卷积,5*5的带孔卷积,3*3的可分离卷积、5*5可分离卷积、跳跃连接、3*3的最大池化以及3*3平均池化,其中,无连接操作对应的结构参数为0.06、3*3的普通卷积对应的结构参数为0.15、5*5的普通卷积对应的结构参数为0.05、3*3的带孔卷积对应的结构参数为0.11,5*5的带孔卷积对应的结构参数为0.09,3*3的可分离卷积对应的结构参数为0.12、5*5可分离卷积对应的结构参数为0.08、跳跃连接对应的结构参数为0.13、3*3的最大池化对应的结构参数为0.07以及3*3平均池化对应的结构参数为0.14。
基于此,所述根据各基础单元中的各网络操作对应的结构参数,从搜索空间中选取候选网络具体为:
对于每个基础单元中任意两个配置若干网络操作的节点,将若干网络操作中结构参数最大的网络操作作为两个节点之间的网络操作,以选取到候选网络。
具体地,对于每个基础单元中任意两个配置若干网络操作的节点(记为节点对),获取该节点对之间的各网络操作对应的结构参数,并将结构参数最大的网络操作作为该节点对之间的网络操作,以选取到候选网络。可理解的是,候选网络中的每个基础单元中的各节点对之间均配置有一个网络操作,并该网络操作为节点对之间结构参数最大的网络操作。例如,以两个节点的连接为例说明进行说明,节点A和节点B之间的5*5普通卷积操作的权重为0.13,高于其余的网络操作,那么搜索空间选取候选网络时,节点A和节点B之间网络操作为5*5普通卷积操作,并在基于训练样本数据进行前向传播时,仅有5*5普通卷积操作会被执行,然后反向传播对结构参数进行更新,更新后3*3最大池化的权重变成0.15,大于其他网络操作,那么节在下次选取候选网络时,节点A和节点B之间的网络操作为3*3最大池化,以此类推,结构参数迭代更新。
进一步,在获取到候选网络之后,获取训练样本数据,并采用该训练样本数据对候选网络进行训练,其中,训练样本数据包括输入平面以及输入平面对应的下一平面。基于候选网络确定输入平面对应的调整动作,并基于调整动作确定输入平面对应的预测平面,基于预测平面以及下一平面确定该调整动作对应的评分,并基于该评分对候选网络进行网络参数训练,其中,所述网络参数为候选网络中网络操作对应的结构参数,或者为候选网络对应的模型参数(权重参数)。这样只对候选网络的网络参数进行更新,可以避免对搜索空间中所有操作构成的整体网络更新对消耗内存,并减少了神经网络搜索的训练时间。同时,每次只更新一个候选网络自身的网络参数,解决了搜索过程中由于节点和节点之间连接了不同的网络操作可能存在互斥(例如,10个操作中5操作输出正值,5个操作输出负值,使得10个操作对网络的影响为互斥的,从而导致网络的训练不稳定)而造成的不稳定问题。
在基于评分对候选网络的网络参数进行训练时,基于前一次确定的候选网络进行网络参数训练时被训练的网络参数类型,若前一次网络参数类型为结构参数,则本次训练模型参数;若前一次网络参数类型为模型参数,则本次训练结构参数,使得结构参数和模型参数交替被更新。本实施例在对网络参数进行训练时,基于评分进行训练,这样可以避免因深度强化学习训练的损失函数是振荡不收敛,而导致深度强化学习模型搜索失败。而本实施例采用评分作为奖励指标,而评分会随着提升而逐渐趋于收敛,基于此采用总评分作为奖励指标,并且随着奖励指标的收敛,可以确定选择的网络结构参数,结束搜索以得到深度强化学习模型。其中,所述结束搜索的条件可以为搜索次数(即执行次数)达到预设阈值。
进一步,所述结束搜索以得到深度强化学习模型的具体过程可以为:在搜索空间训练完成后,将每次确定的候选网络对应的评分进行比较,并选取评分最大的候选网络,将该候选网络对应的候选搜索空间;对于候选搜索空间中每个节点,在连接到该节点的所有网络操作中,按照结构参数由高到低选取预设数量的网络操作,以得到深度强化学习模型。例如,如图9所述,对于中间节点2,其会在输入节点,中间节点1的所有连接中按照结构参数由高到低选取预设数量的网络操作。其中,预设数量为预先设定的,例如,1,2等。
进一步,在本实施例的一个实现方式中,所述标准切面检测模型包括空间调整模块,所述空间调整模块与所述深度强化学习模块相连接,所述空间调整模块为基于神经网络搜索方法确定的。其中,所述空间调整模块的搜索过程与深度强化学习模块的搜索过程基本相同,其不同点在于:空间调整模块的模型机结构与深度强化学习模块的模型结构不同,空间调整模型对应的基础单元中节点对之间的配置的若干网络操作包括无连接操作、相等映射、ReLU,Tanh以及Sigmoid;以及在搜索空间训练完成后,节点对之间的若干网络操作中按照结构参数选取的网络操作的数量不同,例如,选取的网络操作的数量为1等。此外,基础单元的构建过程以及搜索训练过程相同,这里就不在赘述,具体可以参照深度强化学习模块的搜索构成。
在本实施例的一个实现方式中,在确定标准切面检测模型的模型结构后,所述标准切面检测模型的训练过程具体包括:
获取训练样本集;
基于预设网络模型,确定训练样本集中的训练图像对应的预测标准切面,并基于预测标准切面以及标准切面标签对预设网络模型进行训练,以得到所述标准切面检测模型。
具体地,所述训练样本集包括若干训练图像以及各训练图像对应的标准切面标签,若干训练图像中的每个训练图像均为子宫三维超声图像。预测标准切面为预设网络模型输入的,其中,预设网络模型为上述实施例中通过搜索方法确定的标准切面检测模型,预设网络模型包括深度强化学习模块以及空间定位模型,并且预设网络模型的模型参数为参数模型参数。
进一步,在本实施例的一个实现方式中,所述获取训练样本集具体包括:
获取初始训练样本集;
对于初始训练样本集中的每张训练图像,将初始训练样本集中除该训练图像外的其余训练图像与该训练图像进行配准,并获取该训练图像与各配准后的训练图像的差异信息和;
根据各训练图像各自对应的差异信息和,确定所述初始训练样本集对应的目标训练图像,其中,所述目标训练图像包含于所述初始训练样本集;
基于所述目标训练图像以及该目标训练图像对应的各配准后的训练图像更新所述初始训练样本集,并更新后的初始训练样本集作为所述训练样本集。
具体地,对于每张训练图像,记为目标训练图像,该目标训练图像为初始训练样本集中各训练图像对应的数据模板,并将初始训练样本集中的各训练图像与该训练图像进行配准,其中,所述配准可以基于关键点配准。由此,在获取到初始训练样本集后,可以分别获取训练样本集中各训练图像的关键点,并基于关键点将各训练图像与该目标训练图像进行配准,并计算配准后的各训练图像对应的差异信息,并将所有训练图像与目标训练图像之间的差异信息求和,以得到差异信息和,并将差异信息和最小的目标训练图像作为数据模板,基于家基于该数据模板确定的各训练图像对应的配准图像作为各训练图,更新所述初始训练样本集,并更新后的初始训练样本集作为所述训练样本集。这样可以大大地限制平面的搜索空间,这样由于不经过配准模块的数据,因为数据分布的多样性,寻找标准切面的搜索空间是整个三维的容积,并且随机的初始化,强化学习智能体看到的子宫容积环境都不一样,增加了收敛的难度。而经过配准之后训练图像的数据分布更接近了,搜索范围也限制在配准平面到目标平面这个范围内;配准平面可以作为初始平面,每个子宫三维超声图像均从初始平面迭代开始,深度强化学习模块获取到均为相似的子宫环境,从而可以只需关注这部分的环境。当然,在实际应用中,缩小标准切面检测器搜索范围的方法不限于上述的基于关键点定位的配准方法,也可以采用其他方法,这里就不一一说明。
在本实施例的一个实现方式中,为了提训练样本集中训练图像的多样性,在获取到初始训练样本集后,可以对初始训练样本集进行增强,以降低模型的过拟合,提高模型的鲁棒性。其中,所述对初始训练样本集进行增强可以包括平移、缩放、旋转、镜像、噪声、弹性变换等等。在本实施例中,对数据进行了随机缩放平移和旋转,对原数据集进行扩展,从而更好地提升定位模块的性能。
进一步,由于在数据配置时,需要获取各训练图像的关键特征点,从而所述对于初始训练样本集中的每张训练图像,确定初始训练样本集中除该训练图像外的其余训练图像与该训练图像进行配准,并获取该训练图像与各配准后的训练图像的差异信息和具体包括:
获取初始训练样本集中各训练图像各自对应的关键特征点;
对于初始训练样本集中的每张训练图像,基于关键特征点将初始训练样本集中除该训练图像外的其余训练图像与该训练图像进行配准,并获取该训练图像与各配准后的训练图像的差异信息和。
具体地,所述关键特征点可以采用现有的机器学习模型确定,也可以采用深度学习模型确定的。在本实施例的一个实现方式中,所述关键特征点采用深度学习模型确定,也就是说,对于训练图像集中对每张训练图像,将该训练图像输入经过训练的关键点定位模块,通过关键点定位模块确定该训练图像对应的关键特征点。
进一步,所述关键点定位模块可以采用三维神经网络回归模型,并且关键点定位模块在训练过程中的输入项为子宫三维超声图像以及该子宫三维超声图像对应的各关键特征点的热力分布图,三维神经网络回归模型可以学习到关键特征点的特征信息,以得到经过训练的关键点定位模块。此外,关键点定位模块在测试的过程中,将待检测的子宫三维超声图像输入到经过训练的关键点定位模块,关键点定位模块输出若干关键特征点对应的热力分布图,通过热力分布图提取子宫三维超声图像对应的关键特征点。
在本实例的一个实现方式中,考虑到关键点的解剖学意义、医生专家标注的难度等,如图7所示,关键点定位模块定位的子宫关键点包括4个关键特征点,分别为内膜宫角部(右侧)、内膜宫角部(左侧),内膜宫底部以及宫壁底部。当然,在实际应用中,关键点定位模块定位的关键特征点的数量不局限于4个,其可以预测任意个数的关键特征点,其中,关键特征点的数量可以基于医生专家对容积数据的标注难度以及解剖学的意义而确定。
此外,值得说明的是,关键点定位模块可以采用方式确定关键特征点,例如,直接回归关键特征点的坐标(即关键点定位模型的输入为子宫三维超声图像和关键特征点的坐标信息)等,只要可以用于定位关键特征点的方式均可以适用于本实施例,这里就不一一赘述。
基于上述标准切面检测模型的生成方法,本实施提供了一种子宫三维超声图像的标准切面检测方法,如图2所示,所述方法应用于上述实施例生成的标准切面检测模型,所述深度强化学习模块为基于神经网络搜索方法确定的,所述方法包括:
S10、所述标准切面检测模型确定待检测的子宫三维超声图像的初始切面。
具体地,所述待检测的子宫三维超声图像可以是根据超声图像采集设备采集的子宫组织信息,获取到的子宫三维超声图像;也可以是外部设备发送的子宫三维超声图像。在本实施例的一个实现方式中,如图3所示,所述子宫三维超声图像可以为通过使用3D/4D超声探头采集的子宫三维超声容积图像,例如,经经阴道超声探测得到的子宫三维超声容积图像,或者经腹体表探测得到的子宫三维超声容积图像等。
进一步,在本实施例的一个实施例中,在所述标准切面检测模型确定待检测的子宫三维超声图像的初始切面之前,可以对所述子宫三维超声图像进行预处理,以初步提取子宫三维超声图像携带图像信息的特征。相应的,所述标准切面检测模型确定待检测的子宫三维超声图像的初始切面之前,所述方法还包括:
S01、对所述待检测的子宫三维超声图像进行预处理,并将预处理得到的子宫三维超声图像作为待检测的子宫三维超声图像。
具体地,所述预处理为对所述待检测的子宫三维超声图像进行处理,以初步提取子宫三维超声图像的图像信息的特征,其中,所述预处理可以包括零均值化、直方图均衡化、归一化以及频域滤波中的一种或者多种。本实施例通过对待检测的子宫三维超声图像进行预处理,这样可以降低获取到的不同超声设备采集的子宫三维超声图像的差异性,使得所述子宫三维超声图像的标准切面检测方法可以适配不同超声设备采集的子宫三维超声图像,从而提高了所述子宫三维超声图像的标准切面检测方法的适用范围。其中,标准化的具体过程可以为:在对图像进行标准化的过程中,图像会减去均值,再除以标准差,从而让数据符合标准正态分布;归一化的具体过程可以为:图像的所有像素会减去像素的最小值,再除以像素最大值减去像素最小值的差,最终图像的像素取值范围会从0~255变成0~1,像素0到1的取值范围更适合于后续神经网络的处理;直方图均衡化的作用主要是增强图像的对比度,让图像更清晰等等。
进一步,所述初始切面为所述待检测的子宫三维超声图像的二维切面,其中,所述初始切面可以是在待检测的子宫三维超声图像中随机选取的一个二维切面。其中,所述初始平面用于确定待检测的子宫三维超声图像对应的标准切面。在本实施例的一个实现方式中,所述标准切面检测模型可以包括切面模块,所述切面模块用于确定所述子宫三维超声图像的初始平面。由此,所述标准切面检测模型确定待检测的子宫三维超声图像的初始切面可以为:所述切面模块对所述待检测的子宫三维超声图像进行切分以得到若干切分平面,并在所述若干切分平面中选取初始平面,其中,若干切分平面均为二维平面,并且所述初始平面可以在若干切分平面中随机选取。
S20、所述标准切面检测模型确定所述初始切面对应的调整动作,并基于所述调整动作确定所述子宫三维超声图像对应的标准切面。
具体地,所述调整动作用于对所述初始切面对应的空间位置信息进行调整,以得到调整后的空间位置信息,并基于调整后的位置信息在子宫三维超声图像中确定相应的二维切面,以得到所述子宫三维超声图像对应的标准切面。所述标准切面为子宫三维超声图像中包含关键信息的二维切面,通过该二维切面可以观察到具有临床价值的生理解剖结构,例如,正中矢状面、横断面以及冠状面等。
进一步,在本实施例的一个实现方式中,所述标准切面检测模型包括深度强化学习模块;所述标准切面检测模型确定所述初始切面对应的调整动作,并基于所述调整动作确定所述子宫三维超声图像对应的标准切面具体包括:
所述深度强化学习模块将所述初始平面作为输入平面,并确定所述输入平面对应的第一调整动作,并基于所述输入平面确定所述第一调整动作对应的第一平面;
所述深度强化学习模块将所述第一平面作为输入平面,并继续执行确定所述输入平面对应的第一调整动作的步骤直至第一平面满足预设条件,以得到所述子宫三维超声图像对应的标准切面。
具体地,所述初始平面为所述深度强化学习模块的输入项,由此,所述深度强化学习模块将所述初始平面作为输入平面,并输入所述输入平面,以基于该输入平面确定一组调整动作,记为第一调整动作,其中,所述第一调整动作用于调整输入平面的空间位置信息。此外,在获取到第一调整动作后,可以对所述输入平面进行调整,以调整所述输入平面的空间位置信息,并基于调整后的空间位置信息在子宫三维超声图像选取该空间位置信息对应的第一平面,其中,所述第一平面在子宫三维超声图像中的空间位置信息与调整后的空间位置信息相同。在选取到第一平面后,将该第一切面作为输入平面,并继续执行确定所述输入平面对应的第一调整动作的步骤直至第一平面满足预设条件,并将最后依次得到的第一平面作为该子宫三维超声图像对应的标准切面。可以理解的是,所述深度强化学习模块基于平面确定调整动作,多次重复深度强化学习模块,可以得到多个平面和多个调整动作,并且相邻两次深度强化学习模块中,前一次深度强化学习模块输出的调整动作确定的第一平面为后一次深度强化学习模块的输入平面。由此,所述重复执行深度强化学习模块的过程可以表示为平面-调整动作-平面-调整动作-,...,-平面,其中,最后一次得到平面为所述子宫三维超声图像对应的标准切面。
进一步,所述调整动作用于对其对应的输入平面进行空间位置变换,其中,所述调整动作可以包括沿x,y,z三个坐标轴的旋转动作和平移动作。此外,所述深度强化学习模块预先配置有动作集,当将输入平面输入深度强化学习模块后,深度强化学习模块会确定所述输入平面对应动作概率集,其中,所述动作概率集包括动作集中每个动作对应的概率;在获取到动作概率集后,深度强化学习模块会基于动作概率集,确定输入平面对应的调整动作,并基于该调整动作对输入平面进行调整,以得到第一平面。在本实施例的一个实现方式中,所述动作集为离散的动作集合,并且所述动作集中包括若干调整动作,若干调整动作均为沿x,y,z三个坐标轴的旋转动作或平移中一种,并且若干调整动作中的各调整动作互不相同。
进一步,预设条件为预先设置,用于深度强化学习模块的执行过程。其中,所述预设条件包括次数阈值,所述预设次数可以为深度强化学习模块的最大执行次数,例如,80次等。由此,在获取到第一平面后,判断所述深度强化学习模块的执行次数是否达到预设次数,若未达到预设次数,则根据继续执行深度强化学习模块;若达到预设次数,则该第一平面作为子宫三维超声图像对应的标准切面。这样通过平面评分和训练次数来判断该深度强化学习模块是执行结束,可以避免因平面评分无法达到预设要求而造成深度强化学习模块进入死循环。
进一步,为了快速定位子宫三维超声图像对应的标准切面,在本实施例的一个实现方式中,所述标准切面检测模型可以同时检测若干各标准切面。相应的,所述待检测的子宫三维超声图像对应的初始平面可以为若干个,并且所述若干初始平面与所述若干标准切面一一对应。例如,如图8所示,所述若干标准切面包括正中矢状面、横断面以及冠状面,那么所述初始切面包括正中矢状面对应的初始切面,横断面对应的初始切面以及冠状面对应的初始切面。
基于此,所述深度强化学习模块包括共享卷积单元以及若干特征提取单元,所述若干特征提取单元并联且均与所述共享卷积单元相连接。其中,所述若干特征提取单元与若干初始平面相对应,每个特征图提取单元的输入项为其对应的初始平面通过共享卷积单元后,输出的特征图像。可以理解的是,在获取到若干初始切面后,若干初始切面中的每个初始切面均通过所述共享卷积单元确定该初始平面对应的特征图像,然后,各初始平面对应的特征图像为各初始平面对应的特征提取单元的输入项,通过各特征提取单元输出各初始平面对应的调整动作。其中,所述共享卷积单元用于学习各初始平面的共有特征,各特征图提取单元用于学习各初始平面的特征有特征,这样通过采用共享卷积单元来学习各初始平面的共有特征,可以简化标准切面检测模型的模型结构,同时还可以减少标准切面检测模型的模型参数量。
基于上述子宫三维超声图像的标准切面检测方法,本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的子宫三维超声图像的标准切面检测方法中的步骤。
基于上述子宫三维超声图像的标准切面检测方法,本发明还提供了一种超声设备,如图11所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据超声设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及超声设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种子宫三维超声图像的标准切面检测方法,其特征在于,应用标准切面检测模型,所述标准切面模型包括深度强化学习模块,所述深度强化学习模块为基于神经网络搜索方法确定的,所述方法包括:
所述标准切面检测模型确定待检测的子宫三维超声图像的初始切面;
所述标准切面检测模型确定所述初始切面对应的调整动作,并基于所述调整动作确定所述子宫三维超声图像对应的标准切面。
2.根据权利要求1所述子宫三维超声图像的标准切面检测方法,其特征在于,所述标准切面检测模型确定所述初始切面对应的调整动作,并基于所述调整动作确定所述子宫三维超声图像对应的标准切面具体包括:
所述深度强化学习模块将所述初始平面作为输入平面,并确定所述输入平面对应的第一调整动作,并基于所述输入平面确定所述第一调整动作对应的第一平面;
所述深度强化学习模块将所述第一平面作为输入平面,并继续执行确定所述输入平面对应的第一调整动作的步骤直至第一平面满足预设条件,以得到所述子宫三维超声图像对应的标准切面。
3.根据权利要求1所述子宫三维超声图像的标准切面检测方法,其特征在于,所述初始平面包括若干初始平面,所述标准切面包括若干标准切面,所述若干初始平面与所述若干标准切面一一对应。
4.根据权利要求3所述子宫三维超声图像的标准切面检测方法,其特征在于,所述深度强化学习模块包括共享卷积单元以及若干特征提取单元,若干特征提取单元与若干初始切面一一对应;所述深度强化学习模块基于所述初始平面,确定所述初始平面对应的第一调整动作,并基于所述输入平面确定所述第一调整动作对应的第一平面具体包括:
所述共享卷积单元确定各初始平面各自分别对应的卷积特征图;
各特征图提取单元基于各自对应的初始平面的卷积特征图,确定各初始平面各自对应的第一调整动作,并基于各第一调整动作确定各初始平面各自对应的第一平面。
5.根据权利要求2-3任一所述的子宫三维超声图像的标准切面检测方法,其特征在于,所述标准切面检测模型包括空间调整模块;所述基于所述输入平面确定所述第一调整动作对应的第一平面之后,所述方法包括:
所述空间调整模块基于预知的标准切面之间空间位置关系,对各第一平面进行调整,并将调整后的第一平面作为所述第一调整动作对应的第一平面。
6.一种标准切面检测模型的生成方法,其特征在于,所述方法包括:
获取神经网络的搜索空间,其中,所述搜索空间包括若干神经网络单元,每个神经网络单元包括若干基础单元,每个基础单元中的两个节点之间配置若干网络操作;
根据各基础单元中的各网络操作对应的结构参数,从搜索空间中选取候选网络;
基于训练样本对所述候选网络的网络参数进行训练,其中,所述网络参数包括结构参数或者模型参数;
采用训练后的候选搜索空间,并继续执行根据各基础单元中的各网络操作对应的结构参数的步骤,直至执行次数满足预设条件;
将评分最高的候选搜索空间作为深度强化学习模块,并基于所述深度强化学习模块,确定所述标准切面检测模型。
7.根据权利要求6所述标准切面检测模型的生成方法,其特征在于,所述获取神经网络的搜索空间具体包括:
构建基础单元,其中,所述基础单元包括输入节点、若干中间节点以及输出节点;输入节点与各中间节点,以及各中间节点中每个中间节点与按照预设节点顺序位于其后的中间节点之间均配置有若干网络操作;
基于基础单元构成第一神经网络单元和若干第二神经网络单元,并分别将若干第二神经网络单元与第一神经网络单元连接,以得到搜索空间,其中,若干第二神经网络单元中的各第二神经网络单元的基础单元数量不相同。
8.根据权利要求6所述标准切面检测模型的生成方法,其特征在于,所述准切面检测模型包括空间调整模块,所述空间调整模块与所述深度强化学习模块相连接,其中,所述空间调整模块为基于神经网络搜索方法确定的。
9.根据权利要求6所述标准切面检测模型的生成方法,其特征在于,所述标准切面检测模型的训练过程具体包括:
获取初始训练样本集;
对于初始训练样本集中的每张训练图像,将初始训练样本集中除该训练图像外的其余训练图像与该训练图像进行配准,并获取该训练图像与各配准后的训练图像的差异信息和;
根据各训练图像各自对应的差异信息和,确定所述初始训练样本集对应的目标训练图像,其中,所述目标训练图像包含于所述初始训练样本集;
基于所述目标训练图像以及该目标训练图像对应的各配准后的训练图像更新所述初始训练样本集,以得到所述训练样本集;
基于预设网络模型,确定所述训练样本集中的训练图像对应的预测标准切面,并基于预测标准切面以及标准切面标签对预设网络模型进行训练,以得到所述标准切面检测模型。
10.根据权利要求9所述标准切面检测模型的生成方法,其特征在于,所述对于初始训练样本集中的每张训练图像,确定初始训练样本集中除该训练图像外的其余训练图像与该训练图像进行配准,并获取该训练图像与各配准后的训练图像的差异信息和具体包括:
获取初始训练样本集中各训练图像各自对应的关键特征点;
对于初始训练样本集中的每张训练图像,基于关键特征点将初始训练样本集中除该训练图像外的其余训练图像与该训练图像进行配准,并获取该训练图像与各配准后的训练图像的差异信息和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604216.4A CN111768379B (zh) | 2020-06-29 | 2020-06-29 | 一种子宫三维超声图像的标准切面检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604216.4A CN111768379B (zh) | 2020-06-29 | 2020-06-29 | 一种子宫三维超声图像的标准切面检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768379A true CN111768379A (zh) | 2020-10-13 |
CN111768379B CN111768379B (zh) | 2024-06-21 |
Family
ID=72722931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010604216.4A Active CN111768379B (zh) | 2020-06-29 | 2020-06-29 | 一种子宫三维超声图像的标准切面检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768379B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215829A (zh) * | 2020-10-21 | 2021-01-12 | 深圳度影医疗科技有限公司 | 一种髋关节标准切面的定位方法和计算机设备 |
CN112401928A (zh) * | 2020-11-17 | 2021-02-26 | 深圳度影医疗科技有限公司 | 一种盆底肛提肌切面的获取方法、存储介质及终端设备 |
CN112508941A (zh) * | 2020-12-25 | 2021-03-16 | 上海深博医疗器械有限公司 | 三维超声扫描完整性检测方法及装置 |
CN114334095A (zh) * | 2021-12-31 | 2022-04-12 | 深圳度影医疗科技有限公司 | 一种超声检查智能识别方法、系统以及终端设备 |
CN114881937A (zh) * | 2022-04-15 | 2022-08-09 | 北京医准智能科技有限公司 | 一种针对超声切面的检测方法、装置及计算机可读介质 |
EP4368112A1 (en) * | 2022-11-11 | 2024-05-15 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016080089A1 (ja) * | 2014-11-21 | 2016-05-26 | 日立アロカメディカル株式会社 | 超音波ボリュームデータ処理装置及び超音波ボリュームデータ処理方法 |
WO2018195946A1 (zh) * | 2017-04-28 | 2018-11-01 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像显示方法、设备及存储介质 |
CN109805963A (zh) * | 2019-03-22 | 2019-05-28 | 深圳开立生物医疗科技股份有限公司 | 一种子宫内膜分型的判定方法及系统 |
CN110246163A (zh) * | 2019-05-17 | 2019-09-17 | 联想(上海)信息技术有限公司 | 图像处理方法及其装置、设备、计算机存储介质 |
CN110338840A (zh) * | 2015-02-16 | 2019-10-18 | 深圳迈瑞生物医疗电子股份有限公司 | 三维成像数据的显示处理方法和三维超声成像方法及系统 |
CN110599528A (zh) * | 2019-09-03 | 2019-12-20 | 济南大学 | 一种基于神经网络的无监督三维医学图像配准方法及系统 |
CN110599526A (zh) * | 2019-08-06 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像配准方法、计算机设备和存储介质 |
CN110652317A (zh) * | 2019-09-24 | 2020-01-07 | 深圳度影医疗科技有限公司 | 一种产前胎儿超声容积图像中标准切面的自动定位方法 |
CN110742654A (zh) * | 2019-11-05 | 2020-02-04 | 深圳度影医疗科技有限公司 | 一种基于三维超声图像的标准切面的定位和测量方法 |
CN111047563A (zh) * | 2019-11-26 | 2020-04-21 | 深圳度影医疗科技有限公司 | 一种应用于医学超声图像的神经网络构建方法 |
-
2020
- 2020-06-29 CN CN202010604216.4A patent/CN111768379B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016080089A1 (ja) * | 2014-11-21 | 2016-05-26 | 日立アロカメディカル株式会社 | 超音波ボリュームデータ処理装置及び超音波ボリュームデータ処理方法 |
CN110338840A (zh) * | 2015-02-16 | 2019-10-18 | 深圳迈瑞生物医疗电子股份有限公司 | 三维成像数据的显示处理方法和三维超声成像方法及系统 |
WO2018195946A1 (zh) * | 2017-04-28 | 2018-11-01 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像显示方法、设备及存储介质 |
CN109805963A (zh) * | 2019-03-22 | 2019-05-28 | 深圳开立生物医疗科技股份有限公司 | 一种子宫内膜分型的判定方法及系统 |
CN110246163A (zh) * | 2019-05-17 | 2019-09-17 | 联想(上海)信息技术有限公司 | 图像处理方法及其装置、设备、计算机存储介质 |
CN110599526A (zh) * | 2019-08-06 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像配准方法、计算机设备和存储介质 |
CN110599528A (zh) * | 2019-09-03 | 2019-12-20 | 济南大学 | 一种基于神经网络的无监督三维医学图像配准方法及系统 |
CN110652317A (zh) * | 2019-09-24 | 2020-01-07 | 深圳度影医疗科技有限公司 | 一种产前胎儿超声容积图像中标准切面的自动定位方法 |
CN110742654A (zh) * | 2019-11-05 | 2020-02-04 | 深圳度影医疗科技有限公司 | 一种基于三维超声图像的标准切面的定位和测量方法 |
CN111047563A (zh) * | 2019-11-26 | 2020-04-21 | 深圳度影医疗科技有限公司 | 一种应用于医学超声图像的神经网络构建方法 |
Non-Patent Citations (2)
Title |
---|
佟彤;熊奕;: "智能三维超声成像在胎儿领域的应用进展", 中国介入影像与治疗学, no. 03 * |
周毓青;: "妇科疾病超声诊断策略", 中华医学超声杂志(电子版), no. 05 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215829A (zh) * | 2020-10-21 | 2021-01-12 | 深圳度影医疗科技有限公司 | 一种髋关节标准切面的定位方法和计算机设备 |
CN112215829B (zh) * | 2020-10-21 | 2021-12-14 | 深圳度影医疗科技有限公司 | 一种髋关节标准切面的定位方法和计算机设备 |
CN112401928A (zh) * | 2020-11-17 | 2021-02-26 | 深圳度影医疗科技有限公司 | 一种盆底肛提肌切面的获取方法、存储介质及终端设备 |
CN112401928B (zh) * | 2020-11-17 | 2023-11-28 | 深圳度影医疗科技有限公司 | 一种盆底肛提肌切面的获取方法、存储介质及终端设备 |
CN112508941A (zh) * | 2020-12-25 | 2021-03-16 | 上海深博医疗器械有限公司 | 三维超声扫描完整性检测方法及装置 |
CN114334095A (zh) * | 2021-12-31 | 2022-04-12 | 深圳度影医疗科技有限公司 | 一种超声检查智能识别方法、系统以及终端设备 |
CN114881937A (zh) * | 2022-04-15 | 2022-08-09 | 北京医准智能科技有限公司 | 一种针对超声切面的检测方法、装置及计算机可读介质 |
EP4368112A1 (en) * | 2022-11-11 | 2024-05-15 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
Also Published As
Publication number | Publication date |
---|---|
CN111768379B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768379A (zh) | 一种子宫三维超声图像的标准切面检测方法 | |
US11604949B2 (en) | Image processing method and apparatus, computer-readable storage medium, and computer device | |
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
US20210192758A1 (en) | Image processing method and apparatus, electronic device, and computer readable storage medium | |
CN110517759B (zh) | 一种待标注图像确定的方法、模型训练的方法及装置 | |
US20220222932A1 (en) | Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus | |
TWI742408B (zh) | 一種圖像處理方法、電子設備及儲存介質 | |
CN111292362A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN111127527B (zh) | 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置 | |
CN108198235B (zh) | 一种三维超声重建方法、装置、设备及存储介质 | |
CN111260701B (zh) | 多模态视网膜眼底图像配准方法及装置 | |
JP2013051988A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
US11049255B2 (en) | Image processing device and method thereof | |
CN111861989A (zh) | 一种脑中线检测方法、系统、终端及存储介质 | |
CN109102509B (zh) | 分割模型训练方法、装置及计算机可读存储介质 | |
WO2022141083A1 (zh) | 周期性参数的分析方法和超声成像系统 | |
WO2024103996A1 (zh) | 导管冲刷控制方法、装置、计算机设备以及存储介质 | |
CN117115437A (zh) | 一种基于区域的多指标多器官医学图像分割模型评估系统 | |
CN113592802B (zh) | 一种基于超声图像的二尖瓣环位移自动检测系统 | |
CN112654299A (zh) | 超声成像方法、设备、存储介质,处理器及计算机设备 | |
Chernyshov et al. | Automated Segmentation and Quantification of the Right Ventricle in 2-D Echocardiography | |
Bastiaansen et al. | Multi-atlas segmentation and spatial alignment of the human embryo in first trimester 3D ultrasound | |
CN112401928A (zh) | 一种盆底肛提肌切面的获取方法、存储介质及终端设备 | |
CN111383212A (zh) | 一种盆底超声视频图像的分析方法 | |
CN112561912B (zh) | 一种基于先验知识的医学图像淋巴结检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |