一种基于智能图片分割的实时超声图像卵泡测量方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114972263A(43)申请公布日2022.08.30(21)申请号202210592724.4G06V10/764(2022.01)(22)申请日2022.05.27G06V10/766(2022.01)G06V10/774(2022.01)(71)申请人浙江大学G06V10/82(2022.01)地址310058浙江省杭州市西湖区余杭塘G06N3/04(2006.01)路866号G06N3/08(2006.01)(72)发明人纪守领徐彻鉴张丹张旭鸿祝文婷刘益枫姚维妙(74)专利代理机构杭州求是专利事务所有限公司33200专利代理师郑海峰(51)Int.Cl.G06T7/00(2017.01)G06T7/62(2017.01)G06V10/25(2022.01)G06V10/26(2022.01)权利要求书2页说明书8页附图2页(54)发明名称一种基于智能图片分割的实时超声图像卵泡测量方法及系统(57)摘要本发明公开了一种基于图片分割的实时超声图像卵泡测量方法及系统，属于物体目标检测以及图像分割领域。首先，获取各类卵泡超声图像及其相关信息作为训练集，所述的相关信息包括图像比例尺信息、卵泡位置信息、卵泡轮廓信息；之后，根据各类卵泡超声图像及其相关信息训练智能学习器，所述的智能学习器自动学习关键卵泡特征，完成超声图像中的卵泡识别、卵泡位置识别及卵泡掩码结果；最后，利用并行检测器对待检测的卵泡超声图像进行多任务检测，根据检测结果得到卵泡统计学信息。本发明同时兼具了兼容性、通用性、稳定性以及可扩展性，能自动学习卵泡超声图像的特征，提高了卵泡图像识别精确度以及智能程度，提高实际应用中的诊断效率和准确率。CN114972263ACN114972263A权利要求书1/2页1.一种基于图片分割的实时超声图像卵泡测量方法，其特征在于，包括以下步骤：获取各类卵泡超声图像及其相关信息作为训练集，所述的相关信息包括图像比例尺信息、卵泡位置信息、卵泡轮廓信息；根据各类卵泡超声图像及其相关信息训练智能学习器，所述的智能学习器自动学习关键卵泡特征，完成超声图像中的卵泡识别、卵泡位置识别及卵泡掩码结果；利用并行检测器对待检测的卵泡超声图像进行多任务检测，根据检测结果得到卵泡统计学信息。2.根据权利要求1所述的基于图片分割的实时超声图像卵泡测量方法，其特征在于，所述的智能学习器包括卷积神经网络、区域提议网络、区域对齐模块、掩码预测网络和多层感知机模型；所述的卷积神经网络用于提取卵泡超声图像的特征向量图，区域提议网络用于从特征向量图中获取感兴趣区域，区域对齐模块用于结合感兴趣区域和特征向量图，得到各个感兴趣区域的第一特征向量；所述的掩码预测网络用于对各个感兴趣区域的第一特征向量进行掩码预测，得到卵泡超声图片中各个感兴趣区域的分割掩码图，进而得到各个物体的轮廓；所述的多层感知机模型用于对各个感兴趣区域的第一特征向量进行处理，得到各个感兴趣区域的第二特征向量，将所述的第二特征向量进行分类，得到各个感兴趣区域的物体类别预测，识别出卵泡；将所述的第二特征向量进行回归，得到各个感兴趣区域的外框矩形位置坐标。3.根据权利要求2所述的基于图片分割的实时超声图像卵泡测量方法，其特征在于，所述的掩码预测网络对卵泡超声图像中的各个感兴趣区域的第一特征向量进行训练时，选取每张超声图像中面积靠前的感兴趣区域计算平均二进制交叉熵损失作为掩码损失；所述的面积靠前的感兴趣区域为关键卵泡。4.根据权利要求2所述的基于图片分割的实时超声图像卵泡测量方法，其特征在于，对所述的多层感知机模型输出的各个感兴趣区域的第二特征向量进行分类、回归训练时，损失函数为：其中，Lmlp为多层感知机模型的总损失，Lcls(.)为多层感知机模型的分类损失，Lreg(.)为多层感知机模型的回归损失，pi是超声图像中的第i个感兴趣区域的预测概率，如果是卵*泡，则真实标签pi为1，否则标签为0；Nreg是进行回归的感兴趣区域的总数，Ncls是进行分类*的感兴趣区域的总数；ti代表第i个预测框的位置向量，ti是第i个真实框的位置向量；λ是超参数，用于控制分类损失和回归损失之间的平衡。5.根据权利要求4所述的基于图片分割的实时超声图像卵泡测量方法，其特征在于，所述的多层感知机模型的分类损失计算公式为：***Lcls(pi，pi)＝‑log[pipi+(1‑pi)(1‑pi)]其中，Lcls(.)为多层感知机模型的分类损失。6.根据权利要求4所述的基于图片分割的实时超声图像卵泡测量方法，其特征在于，所2CN114972263A权利要求书2/2页述的多层感知机模型的回归损失计算公式为：**Lreg(ti，ti)＝R(ti‑ti)其中，Lreg(.)为多层感知机模