本发明专利技术实施例提供一种针对超声切面的检测方法及装置，该方法首先将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将正样本对和M个负样本对共同作为训练样本；然后对正样本对和负样本对进行特征提取处理，得到第一特征向量、第二特征向量、以及M个异常切面特征向量；之后基于正样本对的相似度，以及每个负样本对的相似度，进行自监督的对比学习得到损失函数；最后对模型参数进行迭代更新，当对损失函数趋于最小时，得到超声切面检测模型。由此能够提高模型训练的准确性，进而有利于对异常超声切面图像进行准确检测。像进行准确检测。像进行准确检测。
【技术实现步骤摘要】
一种针对超声切面的检测方法、装置及计算机可读介质
[0001]本专利技术涉及图像处理
，尤其涉及一种针对超声切面的检测方法、装置及计算机可读介质。
技术介绍
[0002]甲状腺是人体最大且最重要的内分泌器官之一，对人体新陈代谢至关重要。然而，甲状腺疾病严重威胁着人类健康，甲状腺癌的发病率呈上升趋势。甲状腺超声检查技术具有无创性、成本低、检查方便、重复性好等优点，目前甲状腺超声检查技术已成为甲状腺疾病诊断和治疗的重要手段。
[0003]由于标准超声切面图像是测量甲状腺参数的平面，因此标准超声切面图像是常规甲状腺超声检查中必须保留的图像；而且甲状腺标准超声切面图像还可以帮助医生快速找到甲状腺疾病的位置。然而，在临床甲状腺超声检查中，由于门诊量大、超声医师培训时间短、医师专业水平参差不齐，以及超声检查过程不规范等因素，因此在甲状腺超声检查中经常会出现标准超声切面图像漏检的现象；为此，需要对患者进行反复检查，从而造成医疗资源的极大浪费。
[0004]近年来，随着人工智能的发展，通过计算机方法识别标准超声切面图像，能够帮助医生进行图像异常检测；该技术在医学领域得到了广泛的应用。传统方法是基于临床收集的超声图像，通过提取图像的特征训练模型从而进行标准超声切面的识别，进而达到超声切面异常检测的目的。人工智能辅助检测可以规范甲状腺超声检查过程由于检查不规范导致的漏诊和误诊，提升医生的效率。在进行模型训练时，甲状腺标准超声切面图像可以确定，但是非标准超声切面图像各有各的不同，如果在进行模型训练时收集的训练样本类型不全面，那么在预测阶段未出现在训练样本中的非标准超声切面图像很可能被误识别为标准切面，进而影响医生的诊断，因此传统方法普适性差。在进行模型训练时需要收集大量的各个切面类型的样本数据，以至于在样本收集方面会耗费大量人力物力。
技术实现思路
[0005]为了解决上述现有技术存在的问题，本专利技术实施例提供一种针对超声切面的检测方法、装置及计算机可读介质，能够基于自监督的对比学习获得超声切面检测模型，从而对超声切面图像实现自动化检测，提高超声切面图像异常检测的准确性。
[0006]为实现上述目的，根据本专利技术实施例第一方面提供一种针对超声切面的检测方法，该方法包括：一种针对超声切面的检测方法，其特征在于，包括如下步骤：将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将所述正样本对和所述M个负样本对共同作为训练样本；M是大于等于1的自然数；分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声
切面对应的异常切面特征向量；基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型。
[0007]可选的，分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量，包括：对所述正样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与所述第二标准超声切面图像对应的第二向量表示；并对所述第一向量表示，以及所述第二向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的第二特征向量；
[0008]对每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与异常超声切面对应的异常切面向量表示；并对所述第一向量表示，以及所述异常切面向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的异常切面特征向量。
[0009]可选的，所述基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数，包括：计算所述第一特征向量与所述第二特征向量之间的内积，并将该内积确定为所述第一特征向量与所述第二特征向量之间的相似度；针对M个负样本对中任一所述负样本对：计算所述第一特征向量与所述异常切面特征向量之间的内积，并将该内积确定为所述第一特征向量与所述异常切面特征向量之间的相似度；基于所述正样本对的相似度，以及M个所述负样本对的相似度，进行自监督的对比学习，得到损失函数。
[0010]可选的，所述对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型，包括：对模型参数进行迭代更新，当所述正样本对的相似度最大且每个所述负样本对的相似度最小时，所述损失函数趋于最小，得到超声切面检测模型。
[0011]可选的，所述的方法还包括：获取待测超声切面图像，以及与所述待测超声切面图像对应的标准切面特征向量；基于所述超声切面检测模型对所述待测超声切面图像进行特征提取，得到待测特征向量；计算所述待测特征向量与所述标准切面特征向量之间的相似度；判断所述相似度是否满足预设阈值；若判断结果表征所述相似度满足预设阈值，则确定所述待测超声切面图像为异常切面图像。
[0012]可选的，所述获取与所述待测超声切面图像对应的标准切面特征向量，包括：获取若干标准超声切面图像；针对任一标准超声切面图像：利用所述超声切面检测模型对所述标准超声切面图像进行特征提取处理，得到特征向量；对若干特征向量的平均值，得到标准切面特征向量。
[0013]为实现上述目的，根据本专利技术实施例第二方面还提供一种针对超声切面的检测装置，其特征在于，包括如下步骤：样本模块，用于将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将所述正样本对和所述M个负样本对共同作为训练样本；M是大于等于1的自然数；特征提取模块，用于分别对所述正样本对和
每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量；模型训练模块，用于基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；参数更新模块，用于对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型。
[0014]可选的，所述特征提取模块包括：第一特征提取单元，用于对所述正样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与所述第二标准超声切面图像对应的第二向量表示；降维处理单元本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种针对超声切面的检测方法，其特征在于，包括如下步骤：将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将所述正样本对和所述M个负样本对共同作为训练样本；M是大于等于1的自然数；分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量；基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型。2.根据权利按要求1所述的方法，其特征在于，所述分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量，包括：对所述正样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与所述第二标准超声切面图像对应的第二向量表示；并对所述第一向量表示，以及所述第二向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的第二特征向量；对每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与异常超声切面对应的异常切面向量表示；并对所述第一向量表示，以及所述异常切面向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的异常切面特征向量。3.根据权利要求1所述的方法，其特征在于，所述基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数，包括：计算所述第一特征向量与所述第二特征向量之间的内积，并将该内积确定为所述第一特征向量与所述第二特征向量之间的相似度；针对M个负样本对中任一所述负样本对：计算所述第一特征向量与所述异常切面特征向量之间的内积，并将该内积确定为所述第一特征向量与所述异常切面特征向量之间的相似度；基于所述正样本对的相似度，以及M个所述负样本对的相似度，进行自监督的对比学习，得到损失函数。4.根据权利要求1所述的方法，其特征在于，所述对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型，包括：对模型参数进行迭代更新，当所述正样本对的相似度最大且每个所述负样本对的相似度最小时，所述损失函数趋于最小，得到超声切面检测模型。5.根据权利要求1所述的方法，其特征在于，还包括：
获取待测超声切面图像，以及与所述待测超声切面图像对应的标准切面特征向量；基于所述超声切面检测模型对所述待测超声切面图像进行特征提...
【专利技术属性】
技术研发人员：于昕晔，马璐，丁佳，吕晨翀，
申请(专利权)人：北京医准智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。