[发明专利]一种自动识别超声造影小肝癌病灶的方法及超声系统

权利要求书

1.一种自动识别超声造影小肝癌病灶的方法，其包括以下步骤：

(S1)对患者进行肝脏超声造影检查，获取CEUS动态图像；

(S2)计算CEUS动态图像对应的流光视频；

(S3)将流光视频输入实时跟踪框架；在实时跟踪框架中，采用U-Net网络完成病灶区域自动分割；并利用特征追踪算法对病灶位置进行时序位置跟踪；

(S4)融合全局和局部时序信息，使用ResNet网络对病灶进行分类；本步骤中，根据上步骤中病灶位置时序追踪结果，重建三维空间信息，采用ResNet网络的上层提取病灶空间时间的深度特征、并使用ResNet网络的最下层根据深度特征对病灶分类。

2.根据权利要求1所述的一种自动识别超声造影小肝癌病灶的方法，其特征在于，步骤(S2)具体包括：将彩色三通道的CEUS动态图像转化为单通道基于灰度的造影视频，计算对应光流图像序列并对数据作高斯降噪、归一化处理。

3.根据权利要求1所述的一种自动识别超声造影小肝癌病灶的方法，其特征在于，步骤(S3)中，采用的征追踪算法为Kanade-Lucas-Tomasi特征追踪算法。

4.根据权利要求1所述的一种自动识别超声造影小肝癌病灶的方法，其特征在于，步骤(S4)中，所述三维空间信息包括病灶二维位置以及时间信息。

5.根据权利要求1所述的一种自动识别超声造影小肝癌病灶的方法，其特征在于，对步骤(S3)的U-Net网络以及步骤(S4)的ResNet网络模型进行训练包括以下步骤：

(S01)获取小肝癌的超声造影图像；

(S02)对超声造影图像中的小肝癌病灶分割及标注；

(S03)计算超声造影图像对应的流光视频；

(S04)采用标注后的超声造影图像以及流光视频对ImageNet预训练的U-Net网络进行再次训练调整参数，在此过程中采用ImageNet预训练的U-Net网络对训练图像病灶的时序位置和跟踪结果进行分割；

(S05)使用步骤(S04)得到的时序位置跟踪结果重建病灶动态信息，并使用病灶动态信息对ImageNet预训练的ResNet网络模型进行参数调整，并使用Adam优化器和二元交叉熵损失函数对网络进行优化以及应用Dropout减少过拟合；最终将训练得到的ResNet网络最底层替换为全连接层用于病灶分类。

6.根据权利要求1所述的一种自动识别超声造影小肝癌病灶的方法，其特征在于，步骤(S01)中，获取小肝癌的超声造影图像的具体步骤为：

对临床诊断明确的小肝癌患者进行肝脏超声造影检查，在注射超声造影剂后，采集病灶最大切面的CEUS动态图像，获取该病灶动脉期增强模式，动态采集时间约40sec，图像存储格式为AVI及DICOM。

7.根据权利要求1所述的一种自动识别超声造影小肝癌病灶的方法，其特征在于，步骤(S02)具体包括：

利用第三方开源标注软件对小肝癌病灶CEUS动态图像的区域进行ROI勾勒及分割，获得其坐标、时间和类别信息。

8.一种自动识别超声造影小肝癌病灶的超声系统，其特征在于，该系统被配置为：

获取患者的CEUS动态图像；

计算CEUS动态图像对应的流光视频；

将流光视频输入实时跟踪框架；在实时跟踪框架中，采用U-Net网络完成病灶区域自动分割；并利用特征追踪算法对病灶位置进行时序位置跟踪；

融合全局和局部时序信息，使用ResNet网络对病灶进行分类；具体的，根据病灶位置时序追踪结果，重建三维空间信息，采用ResNet网络的上层提取病灶空间时间的深度特征、并使用ResNet网络的最下层根据深度特征对病灶分类。