基于孪生原型网络的肝外伤超声诊断设备及系统技术方案

本发明专利技术属于超声诊断仪领域，具体涉及了一种基于孪生原型网络的肝外伤超声诊断设备及系统，旨在解决现有肝外伤超声诊断设备操作复杂、对人体有创并且检查成本高的问题。本发明专利技术包括：通过肝脏图像采集设备采集B

【技术实现步骤摘要】
基于孪生原型网络的肝外伤超声诊断设备及系统


[0001]本专利技术属于超声诊断仪领域，具体涉及了一种基于孪生原型网络的肝外伤超声诊断设备及系统。

技术介绍

[0002]临床肝脏外伤诊断的常用影像学方法包括B
‑
mode超声、CEUS(contrast
‑
enhanced ultrasound，超声造影)以及增强CT。B
‑
mode超声是最常用的筛查手段，但是B
‑
mode超声对肝外伤的诊断率较低，B
‑
mode超声无法显示早期肝创伤和轻微肝创伤，同时无法精确评估创伤的范围和进行准确分级，而创伤分级直接影响临床医师做出手术治疗还是保守治疗的决策。CEUS和增强CT是诊断肝脏外伤的金标准，通过建立外周静脉通路，向体内输注造影剂，增强显影，达到提升创伤和正常肝组织对比度、提高诊断准确率的目的，不仅能够准确诊断肝脏创伤，还可以进行精确分级。
[0003]目前的肝外伤超声诊断依赖CEUS和增强CT检查，其方法是选择具有内置CEUS软件的超声诊断仪，设备的机械指数(MI)为0.08，对比谐波增益为50～60db。患者取平卧位，经肘静脉建立静脉通路。超声造影剂选用SonoVue,(Bracco,Milan,Italy)，用5ml生理盐水溶解59mg六氟化硫冻干粉，震荡混匀制备成混悬液。先用B
‑
mode超声扫查全肝，然后定位可疑区域，保持探头位置固定，将设备切换到CEUS模式，同时，嘱助手震荡摇匀造影剂，经肘前静脉团注(2.4ml/次)，后使用5ml生理盐水冲洗。注药同时启动计时功能，并动态存储图像以供分析。增强CT需要将创伤患者推至CT检查室，同CEUS，先给患者经肘静脉建立静脉通路，将造影剂输注到患者体内，实现对比增强成像，借以诊断创伤的部位和范围。
[0004]然而，CEUS和增强CT还存在诸多缺陷，具体体现为：第一，对超声设备要求较高，需要内置CEUS软件；第二，在创伤的现场，不具备紧急输液、注射造影剂的条件；第三，造影剂费用高，增加患者诊疗费用；第四，CEUS检查方法和诊断、鉴别诊断要点需要提前培训和练习，对基层医疗单位人员培训周期长、成本高；第五，增强CT的费用比CEUS更高；同时，检查耗时长、有辐射、需要在院内多次转运和搬动伤者以及有加重病情的危险；再次，因存在电离辐射、造影剂具有肾毒性的原因，无法利用增强CT进行反复多次检查。
[0005]总的来说，现有肝外伤超声诊断还存在操作复杂、有创、成本高等缺陷，因而肝外伤超声诊断领域亟需一种快速、无创、便捷的成像方法。

技术实现思路

[0006]为了解决现有技术中的上述问题，即现有肝外伤超声诊断设备操作复杂、对人体有创并且检查成本高的问题，本专利技术提供了一种基于孪生原型网络的肝外伤超声诊断设备，该肝外伤超声诊断设备包括以下装置：
[0007]肝脏图像采集装置，配置为通过便携式超声诊断仪进行待诊断对象的肝脏扫描，获取待诊断对象肝脏不同切面的B
‑
mode图像；
[0008]图像预处理装置，配置为通过图像扇形区域进行每一个B
‑
mode图像的脱敏处理，
并将脱敏后的图像归一化至设定大小，获得待诊断图像集；
[0009]肝外伤诊断装置，配置为基于所述待诊断图像集，通过训练好的肝外伤诊断模型，获取待诊断对象是否存在肝创伤的诊断结果；
[0010]诊断结果输出装置，配置为输出待诊断对象的肝创伤诊断结果。
[0011]在一些优选的实施例中，所述肝外伤超声诊断设备还包括图像标记装置；
[0012]所述图像标记装置，配置为对于肝脏图像采集装置采集并通过CEUS进行创伤灶检查定位的肝脏不同切面的B
‑
mode图像，通过VOTT图像标注工具进行每一个B
‑
mode图像的创伤区标记，获得带标签肝脏图像集；
[0013]所述图像预处理装置通过图像扇形区域进行所述带标签肝脏图像集中每一个带标签肝脏图像的脱敏处理，并将脱敏后的图像归一化至设定大小，获得肝外伤诊断模型的带标签训练图像集。
[0014]在一些优选的实施例中，所述肝外伤诊断模型，其构建和训练方法为：
[0015]步骤S10，通过Imagenet自然图像进行ResNet18模型的预训练，获得预训练ResNet18模型；
[0016]步骤S20，基于所述预训练ResNet18模型以及原型特征约束函数、原型损失函数和分类损失函数构成的网络训练总损失函数，构建肝外伤诊断孪生原型网络；
[0017]步骤S30，基于所述带标签训练图像集进行所述肝外伤诊断孪生原型网络的训练，获得训练好的肝外伤诊断模型。
[0018]在一些优选的实施例中，所述网络训练总损失函数为：L
total
＝αL
proto1
+βL
proto2
+γL1+λL2[0019]其中，L
proto1
代表肝外伤诊断孪生原型网络的原型特征约束函数，L
proto2
代表肝外伤诊断孪生原型网络的原型损失函数，L1和L2代表肝外伤诊断孪生原型网络的分类损失函数，α、α、γ和λ分别为原型特征约束、原型损失、分类损失在网络训练总损失中所占权重。
[0020]在一些优选的实施例中，所述原型特征约束函数为：
[0021]其中，f
proto
(k)为肝外伤诊断孪生原型网络的输入训练图像x对应类别k的原型特征，和分别代表肝外伤诊断孪生原型网络输入类别为k的样本x
input1
和x
input2
后通过可学习参数得到的原型特征空间，φ为肝外伤诊断孪生原型网络学习的权重参数，argmin为L
proto1
取最小值时f
proto
(k)的特征表示，input1和input2分别对应于肝外伤诊断孪生原型网络的第一输入口和第二输入口。
[0022]在一些优选的实施例中，所述原型特征空间，其中类别k对应的输入图像的特征分布为：
[0023]其中，p
φ
(y＝k|x
input1
)和p
φ
(y＝k|x
input2
)分别代表在不同输入x
input1
和x
input2
下的肝外伤诊断孪生原型网对于给定训练权重φ后推断到分类k的概率，k
′
代表除了第k类外的其他类别，d()代表两个特征向量之间的欧几里得距离，exp为以自然数e为底的指数函数。
[0024]在一些优选的实施例中，所述原型损失函数为：
[0025]其中，L
proto2
代表肝外伤诊断孪生原型网络的原型损失函数。
[0026]在一些优选的实施例中，所述原型损失函数为：
[0027]其中，L
prot本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生原型网络的肝外伤超声诊断设备，其特征在于，该肝外伤超声诊断设备包括以下装置：肝脏图像采集装置，配置为通过便携式超声诊断仪进行待诊断对象的肝脏扫描，获取待诊断对象肝脏不同切面的B
‑
mode图像；图像预处理装置，配置为通过图像扇形区域进行每一个B
‑
mode图像的脱敏处理，并将脱敏后的图像归一化至设定大小，获得待诊断图像集；肝外伤诊断装置，配置为基于所述待诊断图像集，通过训练好的肝外伤诊断模型，获取待诊断对象是否存在肝创伤的诊断结果；诊断结果输出装置，配置为输出待诊断对象的肝创伤诊断结果。2.根据权利要求1所述的基于孪生原型网络的肝外伤超声诊断设备，其特征在于，所述肝外伤超声诊断设备还包括图像标记装置；所述图像标记装置，配置为对于肝脏图像采集装置采集并通过CEUS进行创伤灶检查定位的肝脏不同切面的B
‑
mode图像，通过VOTT图像标注工具进行每一个B
‑
mode图像的创伤区标记，获得带标签肝脏图像集；所述图像预处理装置通过图像扇形区域进行所述带标签肝脏图像集中每一个带标签肝脏图像的脱敏处理，并将脱敏后的图像归一化至设定大小，获得肝外伤诊断模型的带标签训练图像集。3.根据权利要求2所述的基于孪生原型网络的肝外伤超声诊断设备，其特征在于，所述肝外伤诊断模型，其构建和训练方法为：步骤S10，通过Imagenet自然图像进行ResNet18模型的预训练，获得预训练ResNet18模型；步骤S20，基于所述预训练ResNet18模型以及原型特征约束函数、原型损失函数和分类损失函数构成的网络训练总损失函数，构建肝外伤诊断孪生原型网络；步骤S30，基于所述带标签训练图像集进行所述肝外伤诊断孪生原型网络的训练，获得训练好的肝外伤诊断模型。4.根据权利要求3所述的基于孪生原型网络的肝外伤超声诊断设备，其特征在于，所述网络训练总损失函数为：L
total
＝αL
proto1
+βL
proto2
+γL1+λL2其中，L
proto1
代表肝外伤诊断孪生原型网络的原型特征约束函数，L
proto2
代表肝外伤诊断孪生原型网络的原型损失函数，L1和L2代表肝外伤诊断孪生原型网络的分类损失函数，α、β、γ和λ分别为原型特征约束、原型损失、分类损失在网络训练总损失中所占权重。5.根据权利要求4所述的基于孪生原型网络的肝外伤超声诊断设备，其特征在于，所述原型特征约束函数为：其中，f
proto
(k)为肝外伤诊断孪生原型网络的输入训练图像x对应类别k的原型特征，和分别代表肝外伤诊断孪生原型网络输入类别为k的样本x
input1
和x
input2
后通过可学习参数得到的原型特征空间，φ为肝外伤诊断孪生原型网络学习的权
重参数，argmin为L
proto1
取最小值时f
proto
(k)的特征表示，input1和input2分别对应于肝外伤诊断孪生原型网络的第一输入口和第二输入口。6.根据权利要求5所述的基于孪生原型网络的肝外伤超声诊断设备，其特征在于，所述原型特征空间，其中类别k对应的输入图像的特征分布为：其中，p
φ
(y＝k|x
input1
)和p
φ...

【专利技术属性】
技术研发人员：罗渝昆，王坤，何雪磊，宋青，高菡静，王妍洁，马骏，蒋雪，
申请(专利权)人：中国人民解放军总医院第一医学中心，
类型：发明
国别省市：