[发明专利]基于卷积神经网络的胎儿超声关键切面识别方法及装置

权利要求书

1.一种基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述方法包括：

获取包括有胎儿结构切面影像的原始超声图像数据；

根据所述原始超声图像数据,确定目标超声图像数据；

将所述目标超声图像数据输入训练好的分类卷积神经网络模型，得到切面类型分类结果；所述分类卷积神经网络模型为通过包括有多个标注有切面类型的训练超声图像数据的训练数据集训练得到。

2.根据权利要求1所述的基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述根据所述原始超声图像数据,确定目标超声图像数据，包括：

确定所述原始超声图像数据中的敏感信息；

去除所述敏感信息，得到目标超声图像数据。

3.根据权利要求2所述的基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述确定出所述原始超声图像数据中的敏感信息，包括：

确定所述原始超声图像数据的拍摄目的；

根据所述拍摄目的，确定出所述原始超声图像数据中与所述拍摄目的无关的无关数据；

将所述无关数据确定为所述原始超声图像数据中的敏感信息；

和/或，

确定出所述原始超声图像数据中的隐私数据；所述隐私数据包括隐私疾病信息、隐私部位信息和病患个人信息中的至少一种；

将所述隐私数据确定为所述原始超声图像数据中的敏感信息。

4.根据权利要求1所述的基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述分类卷积神经网络模型为在深度学习框架Pytorch下进行开发与测试的卷积神经网络分类模型。

5.根据权利要求1所述的基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述分类卷积神经网络模型，根据以下步骤被训练得到：

确定包括有多个标注有切面类型的训练超声图像数据的训练数据集和训练分类模型；所述训练分类模型包括所述分类卷积神经网络模型和损失函数计算层；

将所述训练数据集中的所述训练超声图像数据和所述切面类型的标注以成对标签的形式输入至所述训练分类模型进行训练，并在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛，以得到训练好的所述分类卷积神经网络模型。

6.根据权利要求5所述的基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述损失函数计算层的损失函数为交叉熵代价函数。

7.根据权利要求5所述的基于卷积神经网络的胎儿超声关键切面识别方法，其特征在于，所述在训练过程中使用随机梯度下降法使得所述损失函数层计算出的损失函数值不断下降，优化所述训练网络模型直至收敛，包括：

使用随机梯度下降算法优化所述训练网络模型的模型参数，总计迭代1000轮，初始学习率为0.002，每500轮下降一次学习率，以使所述损失函数层计算出的损失函数值不断下降以使得所述训练网络模型达到最优。

8.一种基于卷积神经网络的胎儿超声关键切面识别装置，其特征在于，所述装置包括：

获取模块，用于获取包括有胎儿结构切面影像的原始超声图像数据；

确定模块，用于根据所述原始超声图像数据,确定目标超声图像数据；

识别模块，用于将所述目标超声图像数据输入训练好的分类卷积神经网络模型，得到切面类型分类结果；所述分类卷积神经网络模型为通过包括有多个标注有切面类型的训练超声图像数据的训练数据集训练得到。

9.一种基于卷积神经网络的胎儿超声关键切面识别装置，其特征在于，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于卷积神经网络的胎儿超声关键切面识别方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于卷积神经网络的胎儿超声关键切面识别方法。