[发明专利]一种嵌入式乳腺超声影像的识别方法

权利要求书

1.一种嵌入式乳腺超声影像的识别方法，其特征在于，包括如下步骤：

S1、构建基于动态超声影像的乳腺病灶的目标检测网络模型和目标分类网络模型，分别获取目标检测网络模型数据集和目标分类网络模型数据集，对所述目标检测网络模型和所述目标分类网络模型进行训练，得到训练好的目标检测网络模型和目标分类网络模型；

S2、将所述训练好的目标检测网络模型进行裁剪，将裁剪后的所述目标检测网络模型和所述训练好的目标分类网络模型作为子网络部署到嵌入式系统中，生成嵌入式乳腺超声影像识别网络系统；所述嵌入式乳腺超声影像识别网络系统包括：目标检测子网络和目标分类子网络；

S3、将待识别的乳腺超声影像输入所述目标检测子网络进行筛选，输出筛选结果；所述筛选结果为阳性检出的视频序列动态图像特征向量矩阵；所述阳性检出的视频序列动态图像特征向量矩阵包括：阳性检出显示帧的图像特征向量，以及所述阳性检出显示帧的前n帧视频序列图像特征向量；所述n的取值取决于所述超声影像的图像清晰度和扫描帧率；

S4、将所述阳性检出的视频序列动态图像特征向量矩阵输入所述目标分类子网络中，输出分类结果，根据所述分类结果生成乳腺超声影像识别结果；所述分类结果为真阳性特征向量或假阳性特征向量。

2.如权利要求1所述的一种嵌入式乳腺超声影像的识别方法，其特征在于，所述步骤S1中，目标分类网络模型数据集通过以下方式获取：

将收集的预设数量的原始乳腺超声影像数据视频序列输入所述目标检测网络模型中进行数据筛选，输出阳性检出显示帧的图像特征向量，以及所述阳性检出显示帧的前n帧视频序列图像特征向量，构建阳性检出样本视频序列图像特征复合向量矩阵；所述n的取值取决于所述超声影像的图像清晰度和扫描帧率；所述图像特征向量包括：检出的置信度评分、检测框的高度和宽度，以及所述检测框的中心点坐标位置；

对每个所述阳性检出显示帧作标记，生成含有标记的视频文件；

获取所述视频文件人工复检结果，如果所述复检结果为真阳性，在相应的所述阳性检出样本视频序列图像特征复合向量矩阵上写入第一标签；如果所述复检结果为假阳性，在相应的所述阳性检出样本视频序列图像特征复合向量矩阵上写入第二标签；

重复以上过程，获得包含正负样本的目标分类网络模型数据集。

3.如权利要求2所述的一种嵌入式乳腺超声影像的识别方法，其特征在于，所述步骤S1中，对目标分类网络模型进行训练，包括：

通过学习所述阳性检出样本视频序列图像特征复合向量矩阵的前n帧视频序列图像特征向量的时空变化特征，对所述阳性检出样本视频序列图像特征复合向量矩阵进行时间特征增强和空间特征增强；所述时空变化特征包括：置信度的评分变化、检测框的高度和宽度变化以及检出框的中心点坐标位置变化；

通过特征增强后的所述阳性检出样本视频序列图像特征复合向量矩阵组成的数据集对所述目标分类网络模型进行训练。

4.如权利要求1所述的一种嵌入式乳腺超声影像的识别方法，其特征在于，所述步骤S2中，将所述训练好的目标检测网络模型进行裁剪，包括：

对所述训练好的目标检测网络模型的BN层进行归一化，在所述BN层中每个通道引入一组缩放因子，添加L1范数对所述缩放因子进行约束；

根据所述缩放因子对所述BN层中每个通道进行评分，过滤掉所述评分低于预设阈值的通道，完成对所述目标检测网络模型的裁剪。

5.如权利要求1所述的一种嵌入式乳腺超声影像的识别方法，其特征在于，所述步骤S4包括：

S41、将所述阳性检出的视频序列动态图像特征向量矩阵输入所述目标分类子网络中，输出分类归一化评分；

S42、将所述分类归一化评分与所述目标分类子网络的预设最优阈值进行比较，当所述分类归一化评分大于所述最优阈值，则所述阳性检出的视频序列动态图像特征向量矩阵为真阳性特征向量；否则，为假阳性特征向量；

S43、根据所述真阳性特征向量或假阳性特征向量，生成乳腺超声影像识别结果。