(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211202211.4 (22)申请日 2022.09.29 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 刘娟　李乐乐　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 罗敏清 (51)Int.Cl. G16H 50/20(2018.01) G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 医学超声图像辅助判定病灶严重程度的方 法 (57)摘要 本发明公开了一种医学超声图像辅助判定 病灶严重程度的方法， 包括： 对医学超声图像进 行预处理； 搭建深度神经网络模型， 将预处理后 的超声图像分为训练集、 验证集和测试集， 采用 深度神经网络模型对预处理后的医学超声图像 进行特征提取 获得特征图， 再对 特征图进行特征 增强得到 特征增强图， 采用训练集的特征增强图 对深度神经网络模型进行训练， 获得训练后的卷 积神经网络模 型参数， 再采用验证集的特征增强 图验证训练后的卷积神经网络模型参数以及采 用测试集进行测试， 选取测试精度符合要求的参 数作为深度神经网络模型的最终参数； 采用步骤 2得到的深度神经网络模型对医学超声图像进行 预测。 本发明提高了识别的准确度， 减轻了医生 的工作量。 权利要求书3页 说明书8页 附图3页 CN 115512831 A 2022.12.23 CN 115512831 A 1.一种医学超声图像辅助判定病灶严重程度的方法， 其特 征在于， 包括如下步骤： 步骤1： 对医学超声图像进行 预处理； 步骤2： 搭建用于预测病灶严重程度的深度神经网络模型， 将预处理后的超声图像分为 训练集、 验证集和测试集， 采用深度神经网络模型对预处理后的医学超声图像进行特征提 取获得特征图， 再对特征图进行特征增强得到特征增强 图， 采用训练集的特征增强 图对深 度神经网络模型进行训练， 获得训练后的卷积神经网络模型参数， 再采用验证集的特征增 强图验证训练后的卷积神经网络模型参数以及 采用测试集进 行测试， 选取测试精度符合要 求的参数作为深度神经网络模型的最终参数； 步骤3： 采用步骤2得到的深度神经网络模型对医学超声图像进行 预测。 2.根据权利要求1所述的医学超声图像辅助判定病灶严重程度的方法， 其特征在于， 步 骤1中预处 理的方法为： 对医学超声图像裁边， 并对裁边后的乳腺超声图像进行对比度增强处理， 之后将对比 度增强处理后的超声图像以原图像中心为中心裁剪成正方形从而获得预处理后的超声图 像。 3.根据权利要求2所述的医学超声图像辅助判定病灶严重程度的方法， 其特征在于， 乳 腺超声图像进行对比度增强处理的方法为： 对超声图像依次进行灰度 处理、 二值化、 膨胀、 修复图、 图像去噪以及直方图均衡化。 4.根据权利要求2所述的医学超声图像辅助判定病灶严重程度的方法， 其特征在于， 步 骤1中二值化转换的处 理方法为： 首先选定阈值T， 将灰度值大于等于T的像素值变为255， 小于T 的像素值变为0， 处理公 式为： 其中， g(x,y)表示二值化处理后的像素值， f(x,y)表示二值化处理前的像素值， T为全 局阈值。 5.根据权利要求1所述的医学超声图像辅助判定病灶严重程度的方法， 其特征在于， 步 骤1中， 直方图均衡化处 理的方法为： 依次扫描经过去噪处理后的灰度图像的每一个像素， 计算出图像的灰度直方图； 计算 灰度直方图的累积分布函数； 根据累积分布函数和直方图均衡化原理得到输入与输出之间 的映射关系； 最后根据映射关系得到结果进行图像 变换， 映射方法为： 其中， Sk指当前灰度级经过累积分布函数映射后的值， n是图像中像素的总和， nj是当前 灰度级的像素个数， L是图像中的灰度级总数； 经过映射， 超声图像中的每个灰度级像素值都将转化为映射后的新灰度值， 经过该步 骤， 图像的对比度得到提升， 从而获得对比度增强后的图像。 6.根据权利要求1所述的医学超声图像辅助判定病灶严重程度的方法， 其特征在于， 步 骤2具体包括如下子步骤：权　利　要　求　书 1/3 页 2 CN 115512831 A 2S2.1： 将步骤1中预处 理后的超声图像分为训练集、 验证集和 测试集； S2.2： 构建resnet34作为深度神 经网络模型的总体架构， 并且将resnet34作为特征提 取模块用于对训练集、 验证集和 测试集的超声图像进行 特征提取； S2.3： 构建特征增强模块， 特征增强模块包括1 ×1卷积层、 分数生成模块、 阈值生成模 块， 将经过步骤S2.1特征提取模块提取的特征图输入到1 ×1卷积层中按通道进 行压缩得到 单通道特征图， 然后 将经过压缩的单通道特征图分别经过阈值生成模块生成 阈值以及分数 生成模块生成各像素点的位置 分数， 再根据阈值和位置 分数计算mask以将样本划分为正样 本或负样本， 进而输出特征增强图； S2.4： 构建包括全局最大池化与全连接层的模块作 为分类头， 并随机初始化参数， 其输 入为步骤2.1中提取的特 征图， 其输出为病灶严重程度的类别； S2.5： 将训练集的正负样本输入到分类头中进行训练， 其中， 正负样本分开进行训练， 且正样本与负样 本共用分类头的参数， 对于同一分类头， 分别产生各自的损失， 训练的过程 中的总损失为步骤S2.2、 S2.3、 S2.4三个阶段的正样本与负样 本损失之和， 将求和结果回传 更新深度神经网络模型 的参数； 训练结束后， 采用验证集验证训练后的模型参数并选择损 失值最小的一轮的参数， 最后采用测试集去测试该深度神经网络模型参数 的精度， 选取精 度符合要求的参数作为深度神经网络模型的最终参数， 用于后续的预测过程。 7.根据权利要求6所述的医学超声图像辅助判定病灶严重程度的方法， 其特征在于， 步 骤S2.3中通过阈值 生成模块 生成阈值的方法为： 先将步骤S2.2得到的单通道特征图输入到阈值生成模块中， 单通道特征图在阈值生成 模块中经过平均池化操作进行下采样， 然后经过flatten操作将二维特征图转换为一维序 列； 接着将一维序列经过输入全连接层中， 最后将得到的值经过sigmoid激活函数， 使其值 映射到0～1， 作为阈值 k。 8.根据权利要求1所述的医学超声图像辅助判定病灶严重程度的方法， 其特征在于， 步 骤S2.3中通过分数生成模块 生成各个 像素位置分数的方法为： 先将步骤S2.2得到的单通道特征图输入到分数生成模块中， 单通道特征图在分数生成 模块中经过平均池化操作进行下采样， 然后经过flatten操作， 接着经过两个全连接层 对序 列进行非线性变换； 经过两个全连接层后再将特征图进 行reshape操作， 将一 维序列变回二 维矩阵， 之后执行插值操作将特征图尺寸恢复到单通道尺寸； 最后将恢复尺寸后的特征图 通过sigmoid激活函数， 将值映射到0～1之间， 作为与原始特征图相同尺寸的位置分数 score。 9.根据权利要求1所述的医学超声图像辅助判定病灶严重程度的方法， 其特征在于， 步 骤S2.3中根据分数和阈值 生成正负 样本的方法为： 根据得到的阈值k与位置分数score生成mask， 将mask与步骤2.2得到的特征图结合生 成经过mask的特 征图， 具体公式如下： 其中， ω为常数， 当 score大于k时， mask接 近于1， 相反score小于k时， mask接 近于0； 将特征图记为image与mask结合生成正负样本， 其 中， 正样本为特征图加上特征图乘以 mask即ima ge+image×mask， 负样本为特 征图减去特 征图乘以mask即ima ge‑image×mask。权　利　要　求　书 2/3 页 3 CN 115512831 A 3