一种基于深度学习的超声诊断辅助系统的制作方法

本发明属于超声诊断辅助系统，具体为一种基于深度学习的超声诊断辅助系统。

背景技术：

1、基于深度学习的超声诊断辅助系统是一种利用深度学习算法对超声图像进行分析和处理的技术，通过利用大量的超声图像数据和深度学习算法的强大模式识别能力，可以自动提取图像特征、辅助医生进行疾病诊断。

2、但是，在传统的超声诊断中，主要依赖医生的经验和直觉，存在着诊断效率低、主观性强和依赖医生经验的技术问题；在已有的超声诊断辅助系统中，存在着超声图像质量良莠不齐，受噪声、伪影和图像属性不统一的影响较大，进而易影响后续的图像处理准确性的技术问题；在已有的超声诊断辅助系统中，存在着辅助诊断的计算结果不够直观，且无法有效地为诊断辅助过程提供明确信息支持的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于深度学习的超声诊断辅助系统，针对在传统的超声诊断中，主要依赖医生的经验和直觉，存在着诊断效率低、主观性强和依赖医生经验的技术问题，本方案创造性地采用基于深度学习的超声诊断辅助系统，依据客观超声图像数据进行自动增强超声图像、提取图像特征并进行图像分类，提高了超声诊断的流程自动性，为超声诊断提供具备辅助性、自动性和计算性的计算系统；针对在已有的超声诊断辅助系统中，存在着超声图像质量良莠不齐，受噪声、伪影和图像属性不统一的影响较大，进而易影响后续的图像处理准确性的技术问题，本方案创造性地采用多通道注意力卷积神经网络的方法进行数据增强，提高了数据质量，提升了系统的整体可用性和准确性；针对在已有的超声诊断辅助系统中，存在着辅助诊断的计算结果不够直观，且无法有效地为诊断辅助过程提供明确信息支持的技术问题，本方案创造性地采用模糊池化卷积神经网络进行图像分类，自动识别超声图像中的病症并进行分类，有效地提高了诊断辅助系统的结果直观性和辅助可用性，为系统得出更为可靠的诊断辅助建议提供了良好的过程基础。

2、本发明采取的技术方案如下：本发明提供的一种基于深度学习的超声诊断辅助系统，包括数据采集模块、数据预处理模块、数据增强模块、图像分类模块和诊断辅助模块；

3、所述数据采集模块，用于获取辅助诊断的原始超声图像，通过采集得到病患原始超声图像，并将所述病患原始超声图像发送至数据预处理模块；

4、所述数据预处理模块，用于调整超声图像的属性一致性，并对超声图像做初步处理，通过预处理，得到待增强病患超声图像数据，并将所述待增强病患超声图像数据发送至数据增强模块；

5、所述数据增强模块，用于进一步增强超声图的图像质量，采用多通道注意力卷积神经网络的方法进行数据增强，得到增强病患超声图像数据，并将所述增强病患超声图像数据发送至图像分类模块；

6、所述多通道注意力卷积神经网络，包括高效通道注意力单元、通道-空间注意力单元和多尺度通道注意力单元；

7、所述高效通道注意力单元，用于改善特征之间的通道信息交互，并保护通道与对应的通道权重之间的直接对应关系；

8、所述通道-空间注意力单元，用于获取超声图像内的空间依赖性和远距依赖性，并进行多通道空间的特征表示和归一化；

9、所述多尺度通道注意力单元，用于细化特征提取并获取更丰富的上下文信息；

10、所述图像分类模块，用于从超声图像中，识别病症进行分类，具体为采用模糊池化卷积神经网络进行图像分类，得到超声图像分类数据，并将所述超声图像分类数据发送至诊断辅助模块；

11、所述诊断辅助模块，用于结合图像和分类数据辅助诊断过程，进行辅助诊断，得到超声诊断辅助信息。

12、进一步地，所述数据采集，用于获取辅助诊断的原始超声图像，具体为从临床数据中，通过采集得到病患原始超声图像。

13、进一步地，所述数据预处理，用于调整超声图像的属性一致性，并对超声图像做初步处理，具体为对所述病患原始超声图像进行去噪处理，并进行图像亮度、对比度、色调和像素强度归一化调整，得到待增强病患超声图像数据。

14、进一步地，所述数据增强，用于进一步增强超声图的图像质量，具体为采用多通道注意力卷积神经网络的方法进行数据增强，所述多通道注意力卷积神经网络，包括高效通道注意力单元、通道-空间注意力单元和多尺度通道注意力单元；

15、所述高效通道注意力单元，用于改善特征之间的通道信息交互，并保护通道与对应的通道权重之间的直接对应关系；

16、所述通道-空间注意力单元，用于获取超声图像内的空间依赖性和远距依赖性，并进行多通道空间的特征表示和归一化；

17、所述多尺度通道注意力单元，用于细化特征提取并获取更丰富的上下文信息；

18、所述采用多通道注意力卷积神经网络的方法进行数据增强的步骤，包括：

19、构建高效通道注意力单元，具体包括以下步骤：

20、构建卷积层和池化层，用于进一步构建编码器并引入高效通道注意力机制，所述池化层具体为最大池化层；

21、构建编码器，用于增强残差块间的通道信息交互，具体为采用imagenet预训练resnet网络，通过所述卷积层和所述最大池化层构建resnet网络中的每个残差块，并通过所述resnet网络中的残差块构建编码器；

22、引入高效通道注意力机制，用于在改善特征之间的通道信息交互的同时保护通道与对应的通道权重之间的直接对应关系，具体为将所述高效通道注意力机制嵌入每个残差块，并采用一维卷积，构建局部跨通道交互并进行降维操作，得到高效通道注意力单元；

23、构建通道-空间注意力单元，具体包括以下步骤：

24、特征图处理，用于处理具有最大感受域的特征图，具体为对所述特征图进行大小为1×1的卷积操作，并通过非线性激活函数激活；

25、构造通道注意力块，用于增强对特征图中通道间的关系的建模能力，具体为引入通道注意力机制计算每个通道的注意力权重，并通过大小为1×1的卷积层进行特征加权，得到通道注意力块；

26、构造空间注意力块，用于增强对特征图中空间位置之间的关系的建模能力，具体为引入空间注意力机制计算每个特征图中的像素位置的注意力全忠，用于改变所述像素对应的位置的特征表示，并通过大小为1×1的卷积层进行特征加权，得到空间注意力块；

27、引入通道-空间注意力机制，用于获取超声图像内的空间依赖性和远距依赖性，并进行多通道空间的特征表示和归一化，具体为通过构造通道注意力块和空间注意力块，得到通道-空间注意力单元；

28、构建多尺度通道注意力单元，具体包括以下步骤：

29、卷积尺度扩展，具体为采用大小为7×7的卷积层获取特征，并采用大小为3×3的卷积层进行精细特征提取；

30、上下文信息获取，具体为引入多尺度通道注意力机制，并采用所述多尺度通道注意力机制处理特征图，获取上下文信息；

31、解码器构建，具体为采用具有s型函数的3×3卷积层生成超声图像分割图，通过构建解码器，得到所述多尺度通道注意力单元；

32、构建多种损失函数，用于优化模型训练，具体包括以下步骤：

33、构建散点损失函数，用于减少过度拟合并提高效率，所述散点损失函数的计算公式为：

34、；

35、式中，ldice是散点损失函数，i是像素索引，用于表示累加变量，pi是第i个像素属于分割区域的概率，gi是第i个像素的真实概率；

36、构建二元交叉熵损失函数，计算公式为：

37、；

38、式中，lbce是二元交叉熵损失函数，i是像素索引，用于表示累加变量，pi是第i个像素属于分割区域的概率，gi是第i个像素的真实概率；

39、构建模型损失函数，用于优化模型训练，计算公式为：

40、；

41、式中，l是模型损失函数，α是散点损失函数平衡参数，ldice是散点损失函数，β是二元交叉熵损失函数平衡参数，lbce是二元交叉熵损失函数；

42、模型训练，具体为通过所述构建高效通道注意力单元、构建通道-空间注意力单元、构建多尺度通道注意力单元和构建多种损失函数，进行模型训练，得到图像增强模型modele；

43、数据增强，具体为采用所述图像增强模型modele，对所述待增强病患超声图像数据进行数据增强，得到增强病患超声图像数据。

44、进一步地，所述图像分类，用于从超声图像中，识别病症进行分类，具体为采用模糊池化卷积神经网络进行图像分类，所述模糊池化卷积神经网络包括卷积层、激活层、模糊池化层和全连接层；

45、所述卷积层，用于进行卷积计算；

46、所述激活层，用于采用修正线性单元进行激活，具体为采用relu激活函数进行激活；

47、所述模糊池化层，用于对池化层的输入特征图进行模糊值转换，并采用去模糊化操作将模糊值重新转换为清晰值；

48、所述全连接层，用于连接分类器，实现图像分类；

49、所述采用模糊池化卷积神经网络进行图像分类的步骤，包括：

50、构建卷积层，用于进行卷积计算；

51、构建激活层，用于采用修正线性单元进行激活，具体为采用采用relu激活函数进行激活；

52、构建模糊池化层，用于对池化层的输入特征图进行模糊值转换，并采用去模糊化操作将模糊值重新转换为清晰值，具体包括以下步骤：

53、构建第一模糊隶属函数，用于进行一级模糊化变换，计算公式为：

54、；

55、式中，mef1(·)是第一模糊隶属函数，ifm是作为模糊池化层输入的特征图的特征值表示，d是第一模糊上限阈值，其中，，r是模糊化参数，c是第一模糊下限阈值，其中，；

56、构建第二模糊隶属函数，用于进行二级模糊化变换，计算公式为：

57、；

58、式中，mef2(·)是第二模糊隶属函数，ifm是作为模糊池化层输入的特征图的特征值表示，a是第二模糊下限阈值，其中，，r是模糊化参数，m是第二模糊中间阈值，其中，，b是第二模糊上限阈值，其中，b=m+a；

59、构建第三模糊隶属函数，用于进行三级模糊化变换，计算公式为：

60、；

61、式中，mef3(·)是第三模糊隶属函数，ifm是作为模糊池化层输入的特征图的特征值表示，r是第三模糊下限阈值，其中，，r是模糊化参数，q是第三模糊上限阈值，其中，；

62、去模糊化操作，用于将模糊值重新转换为清晰值；

63、构建模糊池化层，具体为通过所述构建第一模糊隶属函数、构建第二模糊隶属函数、构建第三模糊隶属函数和去模糊化操作构建所述模糊池化层；

64、构建全连接层，用于连接分类器，实现图像分类；

65、模型训练，具体为通过所述构建卷积层、构建激活层、构建模糊池化层和构建全连接层，进行模型训练，得到图像分类模型modelc；

66、图像分类，具体为采用所述图像分类模型modelc对所述增强病患超声图像数据进行图像分类，得到超声图像分类数据。

67、进一步地，所述诊断辅助，用于结合图像和分类数据辅助诊断过程，具体为结合所述增强病患超声图像数据和所述超声图像分类数据，进行诊断辅助，得到超声诊断辅助信息。

68、采用上述方案本发明取得的有益效果如下：

69、（1）针对在传统的超声诊断中，主要依赖医生的经验和直觉，存在着诊断效率低、主观性强和依赖医生经验的技术问题，本方案创造性地采用基于深度学习的超声诊断辅助系统，依据客观超声图像数据进行自动增强超声图像、提取图像特征并进行图像分类，提高了超声诊断的流程自动性，为超声诊断提供具备辅助性、自动性和计算性的计算系统；

70、（2）针对在已有的超声诊断辅助系统中，存在着超声图像质量良莠不齐，受噪声、伪影和图像属性不统一的影响较大，进而易影响后续的图像处理准确性的技术问题，本方案创造性地采用多通道注意力卷积神经网络的方法进行数据增强，提高了数据质量，提升了系统的整体可用性和准确性；

71、（3）针对在已有的超声诊断辅助系统中，存在着辅助诊断的计算结果不够直观，且无法有效地为诊断辅助过程提供明确信息支持的技术问题，本方案创造性地采用模糊池化卷积神经网络进行图像分类，自动识别超声图像中的病症并进行分类，有效地提高了诊断辅助系统的结果直观性和辅助可用性，为系统得出更为可靠的诊断辅助建议提供了良好的过程基础。