一种用于临床肝脏超声标准切面识别的深度学习训练方法

1.本发明属于超声医学深度学习训练技术领域，具体涉及一种用于临床肝脏超声标准切面识别的深度学习训练方法。


背景技术：

2.超声检查是我国目前覆盖面最广、用量最大、受益人群最多的医学影像技术手段，基于超声波技术的医学成像方法也是目前筛查诊断腹部疾病的最为方便快捷的影像学诊断方法之一。由于其原理简单，操作便捷，操作无创，常作为临床辅助检查的第一手段。与此同时，超声设备的造价也远低于ct、mri等其他医学成像设备，具有更为广泛的普及潜力。截至2021年超声在各级医疗单位的普及率已达66%以上，三甲医院超声普及率100%，二级医院以上医疗单位超声普及率大于60%。然而，在临床工作中，超声检查并非易事，超声医师须具有完备的知识储备和大量的实践经验方能扫查出具备诊断价值的“超声标准切面”，这就使得后续临床诊断符合率严重依赖医师的操作经验。以腹部超声为例，成人全腹共计42个超声标准切面，148个作为判决标准的关键解剖位置结构。如此复杂的知识体系使得经验较少的操作医师难以在同一时间完成全部内容学习，各医学培养机构同样也将腹部标准切面作为临床超声科规培的核心训练之一，即便医师通过规培训练，在实际临床操作中也会出现诸多不便，多方面要素都导致培养专业人才成本极高。这就使得在临床实际中难以有效利用超声设备进行准确诊断。
3.此外，超声医生的严重匮乏也给临床实际工作带来许多局限，在缺少智能辅助手段的情况下，超声科医生每日分析超声影像大于500张，工作时间至少7小时，高强度工作的背后暴露的是临床超声低效率的扫查、错误的标准切面等问题，为此我们提出一种用于临床肝脏超声标准切面识别的深度学习训练方法来解决现有技术中存在的问题。


技术实现要素：

4.本发明的目的在于提供一种用于临床肝脏超声标准切面识别的深度学习训练方法，为解决临床超声标准切面难以定量分析误扫查后，所造成的误诊断的问题，以解决上述背景技术中提出现有技术中的问题。
5.为实现上述目的，本发明采用了如下技术方案：一种用于临床肝脏超声标准切面识别的深度学习训练方法，包括如下步骤：步骤s1、本训练方法基于视觉注意力机制的特征提取网络使用32
×
32的像素块分割，将224
×
224像素的超声图片分割为7
×
7大小，使用传统注意力机制中的自编码层对其进行特征提取，从而显著提升像素特征的有效性；步骤s2、其次使用非预训练的多层感知机方法来对提取到的特征进行分类识别，使用视觉注意力机制来代替传统卷积神经网络模型用于特征提取；步骤s3、在成人肝脏超声影像数据中使用端对端目标检测网络训练方法来实现目标的快速提取，极大提高了计算速度与缩小了运算复杂度；使用先分类后识别的训练方法
来对成人肝脏超声标准切面进行辅助识别。
6.优选的，本训练方法用于成人肝脏超声标准切面分类识别的深度学习，本训练方法首先将读取到的超声图像分割为32x32的像素区域，之后通过注意力机制运算层提取特征信息，进而将融合所提取到的特征信息与线性编码的类别信息，通过多层人工神经网络进而实现分类识别。
7.优选的，本方法使用基于目标检测算法对超声影像图片内的结构信息进行目标定位检测，结合分类结果共同对当前扫查条件下，视野内的超声影像信息进行切面判断。
8.优选的，所述超声影像图片内的结构信息包括肝脏、血管和胆囊的结构信息。
9.优选的，现有的超声医学标准切面深度学习方法大都以卷积神经网络为基础分类模型网络，但卷积神经网络具有较低的可解释性难以应用于临床实际。
10.优选的，相比较而言本发明使用一种基于像素注意力机制的深度学习训练方法，根据像素之间的相似性进行对比分析，进而得到用于分类或检测的抽象特征。
11.优选的，目前成人肝脏超声标准切面定位识别暂无深度学习训练方法，本发明为首次提出领域内的训练方法。
12.优选的，使用上述训练方法得到的深度学习模型可以部署于现有超声中控系统中，开启“辅助扫查”就可以帮助医生智能识别。
13.本发明的技术效果和优点：本发明提出的一种用于临床肝脏超声标准切面识别的深度学习训练方法，与现有技术相比，具有以下优点：现有的超声医学标准切面深度学习方法大都以卷积神经网络为基础分类模型网络，但卷积神经网络具有较低的可解释性难以应用于临床实际，相比较而言本发明使用基于像素注意力机制的深度学习训练方法，根据像素之间的相似性进行对比分析，进而得到用于分类或检测的抽象特征；目前成人肝脏超声标准切面定位识别暂无深度学习训练方法，本发明为首次提出该领域内的训练方法，本发明的深度学习训练方法解决临床超声标准切面难以定量分析误扫查后，所造成的误诊断的问题。
14.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
15.图1为本发明用于临床肝脏超声标准切面识别的深度学习训练方法的示意图；图2为本发明用于临床肝脏超声标准切面识别的深度学习训练方法的方法流程图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
17.本发明提供了如图1-2所示的实施例：本发明的方法用于临床超声医学扫查过程中的超声标准切面扫查识别过程；使用上述训练方法得到的深度学习模型可以部署于现有超声中控系统中，开启“辅助扫查”就可以帮助医生智能识别，本发明超声医学中的深度学习训练方法，涉及临床医学、计算机科学与技术等学科交叉；一种用于临床肝脏超声标准切面识别的深度学习训练方法，包括如下步骤：步骤s1、本训练方法基于视觉注意力机制的特征提取网络使用32
×
32的像素块分割，将224
×
224像素的超声图片分割为7
×
7大小，使用传统注意力机制中的自编码层对其进行特征提取，从而显著提升像素特征的有效性；步骤s2、其次使用非预训练的多层感知机方法来对提取到的特征进行分类识别，使用视觉注意力机制来代替传统卷积神经网络模型用于特征提取；步骤s3、在成人肝脏超声影像数据中使用端对端目标检测网络训练方法来实现目标的快速提取，极大提高了计算速度与缩小了运算复杂度；使用先分类后识别的训练方法来对成人肝脏超声标准切面进行辅助识别。
18.本训练方法用于成人肝脏超声标准切面分类识别的深度学习，本训练方法首先将读取到的超声图像分割为32x32的像素区域，之后通过注意力机制运算层提取特征信息，进而将融合所提取到的特征信息与线性编码的类别信息，通过多层人工神经网络进而实现分类识别。
19.本方法使用基于目标检测算法对超声影像图片内的结构信息进行目标定位检测，结合分类结果共同对当前扫查条件下，视野内的超声影像信息进行切面判断；所述超声影像图片内的结构信息包括肝脏、血管和胆囊的结构信息；现有的超声医学标准切面深度学习方法大都以卷积神经网络为基础分类模型网络，但卷积神经网络具有较低的可解释性难以应用于临床实际；具体的，提出使用端对端的yolo目标检测网络来对超声图像中的肝脏、血管、胆囊等信息进行定位检测，结合上述的分类结果辅助全面辅助医生判断超声标准切面情况。
20.相比较而言本发明使用一种基于像素注意力机制的深度学习训练方法，根据像素之间的相似性进行对比分析，进而得到用于分类或检测的抽象特征；目前成人肝脏超声标准切面定位识别暂无深度学习训练方法，本发明为首次提出领域内的训练方法；使用上述训练方法得到的深度学习模型可以部署于现有超声中控系统中，开启“辅助扫查”就可以帮助医生智能识别。
21.综上所述，现有的超声医学标准切面深度学习方法大都以卷积神经网络为基础分类模型网络，但卷积神经网络具有较低的可解释性难以应用于临床实际，相比较而言本发明使用基于像素注意力机制的深度学习训练方法，根据像素之间的相似性进行对比分析，进而得到用于分类或检测的抽象特征；目前成人肝脏超声标准切面定位识别暂无深度学习训练方法，本发明为首次提出该领域内的训练方法，本发明的深度学习训练方法解决临床超声标准切面难以定量分析误扫查后，所造成的误诊断的问题。
22.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，
凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。