[发明专利]基于残差网络结构的子宫肌瘤目标图像获取方法

说明书

本发明适用于医学图像处理技术领域，具体为一种基于残差网络结构的子宫肌瘤目标图像获取方法，包括模型训练和模型应用两个阶段。模型训练包括：S1、在原始样本超声图像上，对包含子宫肌瘤图像的区域以矩形框形式进行病灶目标图像区域标注；S2、将所述标准标注图像通过改进型YOLOv3目标检测模型进行检测；S3、结果进行统一，得到训练好的改进型YOLOv3目标检测模型。应用时将待检测的超声图像输入至训练好的改进型YOLOv3目标检测模型进行检测，得到子宫肌瘤目标图像区域结果。本发明能够提高子宫肌瘤图像区域的获取精度，且检测速度快，对小目标及多目标任务适应性强。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于残差网络结构的子宫肌瘤目标图像获取方法。

背景技术

子宫肌瘤在超声影像数据中常表现呈圆形或椭圆形，边界清晰，子宫肌瘤的超声表现多样，多样性原因包含以下三个方面：首先，子宫肌瘤肿块大小形态复杂；另一方面，由于超声影像成像特殊的成像方式，导致图像中子宫肌瘤目标与背景灰度相近、难以准确划分目标区边界；第三，子宫肌瘤在图像中呈现时，外周往往存在低回声样晕环，且由于影像采集装备及环境的不同导致的图像本身的对比度、色相等差异。子宫超声图像及目标的多样性导致肌瘤目标特征难以提取，增加了目标图像获取的难度。

检测算法选择上，需选取较为“灵活”的算法，以适应多目标及小目标情况下的子宫肌瘤目标区域获取任务，同时算法应对背景的误检率低，且通用性强，目前常见的目标检测算法通常难以兼具以上特点。

因此，针对现有技术不足，提供一种基于残差网络结构的子宫肌瘤目标图像获取方法以克服现有技术不足甚为必要。

发明内容

本发明针对现有技术中存在的超声图像检测精度与速度无法同时兼顾的问题，提供一种基于残差网络结构的子宫肌瘤目标图像获取方法，。

本发明通过以下技术方案来实现：

提供一种基于残差网络结构的子宫肌瘤目标图像获取方法，所述方法包括以下两个阶段：

阶段一，模型训练

S1、在原始样本超声图像上，对包含子宫肌瘤图像的区域以矩形框形式进行病灶目标图像区域标注，得到标准标记结果，标准标记结果包括标准标注图像及标准标记文件；

S2、将所述标准标注图像通过改进型YOLOv3目标检测模型进行检测，得到模型检测结果，模型检测结果包括子宫肌瘤目标图像在图像中的位置、尺寸及数量；

S3、将步骤S2的模型检测结果与步骤S1中的标准标记结果进行统一，得到训练好的改进型YOLOv3目标检测模型；

阶段二，模型应用

将待检测的超声图像输入至训练好的改进型YOLOv3目标检测模型进行检测，得到子宫肌瘤目标图像区域结果。

优选的，上述改进型YOLOv3目标检测模型，设置有ResNet残差学习结构，每个卷积层中依次设置有所述ResNet残差学习结构。

优选的，上述改进型YOLOv3目标检测模型具体是将YOLO v3中的 backbone网络替换为Resnet50。

优选的，上述的改进型YOLOv3目标检测模型，具体的设计的Anchors 尺寸为：[[10,13]、[16,30]、[33,23]、[30,61]、[62,45]、[59,119]、[116, 90]、[156,198]和[373,326]。

优选的，S3中将步骤S2的模型检测结果与步骤S1中的标准标记结果进行统一，具体包括：

计算损失函数，对预测的中心坐标做损失，采用式(1)的损失函数：