【技术实现步骤摘要】
本专利技术涉及超声图像识别，具体涉及一种基于超声图像的神经区域识别方法。
技术介绍
1、近年来随着超声可视化技术的普及，区域麻醉技术得到长足发展，成功的区域麻醉可极大减少术中阿片类镇痛药物的消耗，减少麻醉并发症，加速患者术后康复；
2、由于超声图像是基于组织密度对超声的反射后的再成像，成像质量相对较低，受干扰的因素多，在手术过程中采用超声图像引导医师进行区域阻泄或药物注射，极为考验医师的临床实践经验，使用门槛较高。
3、而u-net深度学习网络架构是一种典型的卷积神经网络，它可将输入图像的特征提取出来，并在分割图像的同时保留细节信息，在处理小目标或细节复杂的图像时，其精度也比其它模型更高，在医学图像分割中广泛应用；但现有的u-net存在计算冗余和效率低下的问题，时效性差，主要用于辅助医师进行基于超声图像的疾病检查和诊断，无法满足手术进行过程中的实时操作引导。
技术实现思路
1、本专利技术意在提供一种基于超声图像的神经区域识别方法，以解决现有的u-net卷积神经网络计算冗余且效率低下的问题。
2、为达到上述目的，本专利技术采用如下技术方案：一种基于超声图像的神经区域识别方法，包括如下步骤：s1、采集多个患者的超声图像，并对超声图像进行预处理，形成验证集、训练集和测试集；
3、s2、搭建基于u-net的超声图像区域识别模型，所述模型为编码器-解码器架构，所述编码器和解码器均包括卷积块和多层感知机块；
4、编码器的每个卷积块均包
5、本方案的原理及优点是：加入批量归一化层和relu激活层可增强模型表达能力和稳定性、解决梯度消失和梯度爆炸问题、提高模型的训练效率，且由双线性插值代替现有的转置卷积以减少可学习的参数，提高模型效率，增强模型实时性；同时，特征的随机移动，有助于多层感知机仅关注卷积特征的某些位置，为完全全局的多层感知机块添加更多局部性，提高模型的学习能力，进而提高区域识别的准确性，使得该基于超声图像的神经区域识别方法能够同时保障实时和准确，以满足在手术进行过程中同步使用的需求。
6、优选的，作为一种改进，所述多层感知机块包括用于提取宽度方向特征的宽度多层感知机和用于提取高度方向特征的高度多层感知机；
7、在宽度多层感知机中进行跨宽度移动特征i个像素单位，在高度多层感知机中进行跨高度移动特征j个像素单位；其中，i和j的方向和大小均为随机整数，i和j的数值大小在大于等于-5且小于等于5。
8、该改进的有益效果是：将跨宽移动和跨高移动独立进行，使得模型在处理图像数据和图像内各区域的空间结构具有更强的变现力，而i和j的数值限制确保特征不会移动过远，保持了数据在空间上的局限性，且允许一定程度的移动又使得模型能够学习不同区域位置之间的关系。
9、优选的，作为一种改进，所述模型的卷积特征通道包括通道一、通道二、通道三、通道四和通道五，且通道一的通道数为32个，通道二的通道数为64个，通道三的通道数为128个，通道四的通道数为200个，通道五的通道数为256个。
10、该改进的有益效果是：各通道的通道数设置使得该模型的滤波器数量小于现有的u-net模型和其变体模型的滤波器数量，有助于减少参数和计算量。
11、优选的，作为一种改进，所述多层感知机块包括位置编码，采用深度可分离卷积修改通道数。
12、该改进的有益效果是：进行位置编码的深度可分离卷积有助于对多层感知机特征的位置信息进行编码，当测试和训练分辨率不同时其无需插值，且性能更好，同时深度可分离卷积的使用减少了学习参数，提高模型效率。
13、优选的，作为一种改进，所述多层感知机块还包括残差连接和层归一化，将多层感知机的输入数据作为残差，并采用层归一化将输出数据传递到下一块层；
14、多层感知机块中的计算公式总结如下：
15、
16、
17、
18、
19、上列式子中，h表示高度，w表示宽度，x为宽度多层感知机的输入数据，randomrollw为宽度多层感知机，mlp为多层感知机提取该移动方向的特征，dwconv为深度可分离卷积，randomrollh为高度多层感知机，r为残差，因将输入数据作为残差，则r＝x，ln表示层归一化，z为该多层感知机块的输出数据。
20、该改进的有益效果是：残差连接允许梯度直接通过跨层连接传播，从而缓解了梯度消失和梯度爆炸的问题，加速模型收敛，提升模型性能，降低网络模型深层次训练的难度，且层归一化部依赖于批量大小，可更好地处理小批量数据，更加符合多层感知机块的特性。
21、优选的，作为一种改进，所述多层感知机块还包括对所述宽度多层感知机的输入数据进行分区移动像素操作；分区移动像素操作将特征由通道方向分为多个不同分区，并分别对各分区进行移动像素操作。
22、该改进的有益效果是：这有助于创建随机窗口，引入沿轴的局部性，从而帮助模型更好地捕捉和理解空间结构，进而更好地处理空间位置的变化，精准捕捉目标区域位置，从而提高性能。
23、优选的，作为一种改进，所述编码器包括第一层编码卷积块、第二层编码卷积块、第三层编码卷积块、第四层编码多层感知机块和第五层编码多层感知机块；所述解码器包括第一层解码卷积块、第二层解码卷积块、第三层解码卷积块、第四层解码多层感知机块和第五层解码多层感知机块；编码器和解码器的相同块层之间进行跳跃连接求和。
24、该改进的有益效果是：让低级特征信息和高级特征信息进行融合，让模型在最后提取特征和分类时利用各级特征信息，并保证梯度能从编码器正常传递到解码器。
25、优选的，作为一种改进，s2中，所述编码器的所述卷积层采用内核为3×3、步幅为1、填充为1的卷积核，编码器中的所述卷积层采用池窗口为2×2最大池化层。
26、该改进的有益效果是：该卷积层的设置在捕捉局部特征的同时保持计算效率，池化层在有助于模型对输入图像进行下采样，减少计算量和参数数量，防止过拟合。
27、优选的，作为一种改进，所述区域识别方法还包括s3、模型训练，得到预测分割图像，利用损失函数对比预测分割图像和真实分割图像，进而最小化损失函数以优化模型的参数；所述损失函数为二元交叉熵函数以及dice损失函数的结合。
28、该改进的有益效果是：将二元交叉熵与dice损失函数结合，可以综合利用两者的优点。二元交叉熵关注模型的分类准确性，而dice损失函数则更侧重于分割的准确性。通过结合这两种损失函数，可以在训练过程中同时考虑分类和分割的准确性，从而得到更优化的模型性能，且可根据具体任务和数据特点来调整二元交叉熵和dice损失函数的权重，以达到最佳的模型训练效果。
29、优选的，作为一种改进本文档来自技高网...
【技术保护点】
1.一种基于超声图像的神经区域识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于超声图像的神经区域识别方法，其特征在于：所述多层感知机块包括用于提取宽度方向特征的宽度多层感知机和用于提取高度方向特征的高度多层感知机；
3.根据权利要求1所述的一种基于超声图像的神经区域识别方法，其特征在于：所述模型的卷积特征通道包括通道一、通道二、通道三、通道四和通道五，且通道一的通道数为32个，通道二的通道数为64个，通道三的通道数为128个，通道四的通道数为200个，通道五的通道数为256个。
4.根据权利要求2所述的一种基于超声图像的神经区域识别方法，其特征在于：所述多层感知机块包括位置编码，采用深度可分离卷积修改通道数。
5.根据权利要求4所述的一种基于超声图像的神经区域识别方法，其特征在于：所述多层感知机块还包括残差连接和层归一化，将多层感知机的输入数据作为残差，并采用层归一化将输出数据传递到下一块层；
6.根据权利要求5所述的一种基于超声图像的神经区域识别方法，其特征在于：所述多层感知机块还包括对所述宽度多
7.根据权利要求1所述的一种基于超声图像的神经区域识别方法，其特征在于：所述编码器包括第一层编码卷积块、第二层编码卷积块、第三层编码卷积块、第四层编码多层感知机块和第五层编码多层感知机块；所述解码器包括第一层解码卷积块、第二层解码卷积块、第三层解码卷积块、第四层解码多层感知机块和第五层解码多层感知机块；编码器和解码器的相同块层之间进行跳跃连接求和。
8.根据权利要求1所述的一种基于超声图像的神经区域识别方法，其特征在于：S2中，所述编码器的所述卷积层采用内核为3×3、步幅为1、填充为1的卷积核，编码器中的所述卷积层采用池窗口为2×2最大池化层。
9.根据权利要求1所述的一种基于超声图像的神经区域识别方法，其特征在于：所述区域识别方法还包括S3、模型训练，得到预测分割图像，利用损失函数对比预测分割图像和真实分割图像，进而最小化损失函数以优化模型的参数；所述损失函数为二元交叉熵函数以及Dice损失函数的结合。
10.根据权利要求9所述的一种基于超声图像的神经区域识别方法，其特征在于：S3中在每一轮模型训练时采用数据增强算法以扩大数据集，增强效果包括直与水平翻转、旋转、缩放和裁剪、平移、亮度与对比度的调整、随机噪音添加和变形，每一轮数据的增强效果都是随机的。
...【技术特征摘要】
1.一种基于超声图像的神经区域识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于超声图像的神经区域识别方法，其特征在于：所述多层感知机块包括用于提取宽度方向特征的宽度多层感知机和用于提取高度方向特征的高度多层感知机；
3.根据权利要求1所述的一种基于超声图像的神经区域识别方法，其特征在于：所述模型的卷积特征通道包括通道一、通道二、通道三、通道四和通道五，且通道一的通道数为32个，通道二的通道数为64个，通道三的通道数为128个，通道四的通道数为200个，通道五的通道数为256个。
4.根据权利要求2所述的一种基于超声图像的神经区域识别方法，其特征在于：所述多层感知机块包括位置编码，采用深度可分离卷积修改通道数。
5.根据权利要求4所述的一种基于超声图像的神经区域识别方法，其特征在于：所述多层感知机块还包括残差连接和层归一化，将多层感知机的输入数据作为残差，并采用层归一化将输出数据传递到下一块层；
6.根据权利要求5所述的一种基于超声图像的神经区域识别方法，其特征在于：所述多层感知机块还包括对所述宽度多层感知机的输入数据进行分区移动像素操作；分区移动像素操作将特征由通道方向分为多个不同分区，并分别对各分区进行移动像素操作。<...
【专利技术属性】
技术研发人员：曾桀，冉浩松，赵楠，郁葱，李周游，
申请(专利权)人：重庆医科大学附属口腔医院，
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。