[发明专利]一种嵌入式乳腺超声影像的识别方法

说明书

本发明公开了一种嵌入式乳腺超声影像的识别方法，包括：构建基于动态超声影像乳腺病灶的目标检测网络模型和目标分类网络模型，分别对其进行训练；将训练好的目标检测网络模型进行裁剪，将裁剪后的目标检测网络模型和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；将待识别的乳腺超声影像输入目标检测子网络进行筛选，输出筛选结果；将阳性检出的视频序列动态图像特征向量矩阵输入目标分类子网络中，输出分类结果，根据分类结果生成乳腺超声影像识别结果。该方法在确保较低的假阴性识别率前提下，有效降低乳腺超声影像识别的假阳性率，为医疗人员提供参照，便于其更加精准的判定病情，减少漏诊。

技术领域

本发明涉及人工智能与超声医学影像处理技术领域，特别涉及一种嵌入式乳腺超声影像的识别方法。

背景技术

超声和钼靶X光在许多国家与地区都被用作乳腺癌筛查的主要辅助手段，乳腺超声技术具有无创、快捷、重复性强、无放射等优点，能清楚地显示乳腺各层软组织及其中肿块的形态、内部结构及相邻组织的改变，给乳腺疾病的排查工作带来很大的便利。近年来，随着计算机技术的快速发展和医疗技术的进步，人工智能技术已经在乳腺癌的辅助检查中有了实质性的进展，将人工智能技术和超声影像技术相结合应用于乳腺癌辅助筛查，将有可能有效的降低乳腺癌筛查过程中对医疗人员超声技能和经验的过渡依赖，降低筛查实施门槛，突破专业人员短缺和诊断水平不均的瓶颈，实现乳腺癌筛查基层化和规模化，为医疗人员提供参照，便于医疗人员更加精准的判定乳腺癌病情。

超声影像由于其成像设备和扫描手法等因素的限制，在成像的过程中不可避免地会受到噪声、伪影等因素的影响，同时鉴于乳腺肿瘤的浸润性，其病灶图像对比度和分辨率较低，边界模糊，导致特征较难提取，特别是单帧图像所含的信息量往往太少不足于让系统做出较为准确的判断，容易出现误识别和漏识别的问题。

目前的基于人工智能深度学习的AI超声影像智能检测和辅助诊断分析技术上和临床应用上存在以下主要问题：

1、实时性差，深度学习是一种计算密集型技术，对CPU、GPU等有着较高的要求。所以目前绝大多数的医学影像人工智能系统和设备，都是部署和运行在基于大型超强算力的GPU和CPU运算平台上的工作站或远程云端上，其应用场景受到场地、环境和周围通信网络质量的严重制约，普遍存在响应缓慢、延迟较大等问题，医疗人员对系统的体验和使用效率受到极大限制。

2、目前的乳腺超声影像的辅助病灶识别、定位和诊断分析方法均是基于静态超声图像，对于动态的超声影像识别，普遍存在速度慢和假阳性率较高的问题。

3、目前的医学影像AI系统网络模型基本上均采用深度和宽度较广和较深的网络模型，该类网络模型要么部署在远程云端，要么部署在具有强悍的边缘计算能力的大型高端工作站或高端超声影像设备上，其成本和便携性严重制约了这类产品在基层医疗机构的广泛应用。随着便携式超声影像设备在基层医疗机构的普及，嵌入式AI神经网络模型在资源受限的硬件设备上进行实时目标检测和辅助诊断的需求越来越大。

因此，在现有超声医学影像处理技术的基础上，如何解决现有乳腺超声影像识别的时效性和准确性低，且运行受地域、环境及通信的限制，只能部署和运行在大型超强算力的GPU和CPU运算平台上的问题，成为本领域技术人员亟需解决的问题。

发明内容

鉴于上述问题，本发明提出了一种至少解决上述部分技术问题的嵌入式乳腺超声影像的识别方法，该方法可有效降低动态超声影像乳腺病灶识别的假阳性率和假阴性率，为医疗人员提供参照，便于医务人员更加精准的判定病情。

本发明实施例提供一种嵌入式乳腺超声影像的识别方法，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和目标分类网络模型；