一种基于机器视觉的子宫肌瘤检测辅助系统的制作方法

本发明涉及妇科医疗，具体为一种基于机器视觉的子宫肌瘤检测辅助系统。

背景技术：

1、子宫肌瘤检测辅助系统可以自动进行图像分析，挖掘子宫肌瘤图像数据中的潜在特征和规律，有助于子宫肌瘤的早期筛查，辅助医生为患者提供更好的治疗方案，从而减少后期治疗成本。但是现有的子宫肌瘤检测辅助系统中，存在不同患者的子宫肌瘤形态差异较大，但现实中正常图像数量远高于子宫肌瘤图像数量，导致数据不平衡的技术问题；存在缺乏一种准确识别不同形状的子宫肌瘤的检测方法，从而影响了子宫肌瘤检测辅助系统的实用性的技术问题。

技术实现思路

1、为解决上述问题，本发明提供了一种基于机器视觉的子宫肌瘤检测辅助系统，针对存在不同患者的子宫肌瘤形态差异较大，但现实中正常图像数量远高于子宫肌瘤图像数量，导致数据不平衡的技术问题，本方案采用数据增强方法，通过旋转、缩放、水平翻转和垂直翻转操作改变子宫肌瘤图像，模拟不同形状的子宫肌瘤，增加了数据多样性，改善了数据不平衡问题，有助于训练模型适应不同病例；针对存在缺乏一种准确识别不同形状的子宫肌瘤的检测方法，从而影响了子宫肌瘤检测辅助系统的实用性的技术问题，本方案采用深度卷积神经网络，可以自动从图像数据中提取具有代表性的特征，学习不同形状的子宫肌瘤的特征表示，提高了模型的检测效率和泛化能力。

2、本发明提供的一种基于机器视觉的子宫肌瘤检测辅助系统，包括数据采集模块、数据预处理模块、数据增强模块、子宫肌瘤检测模型构建模块和辅助报告生成模块；

3、所述数据采集模块，具体为获取子宫超声图像数据和子宫肌瘤标签，并将所述子宫超声图像数据发送至数据预处理模块，将所述子宫肌瘤标签发送至子宫肌瘤检测模型构建模块；

4、所述数据预处理模块，具体为对子宫超声图像数据进行预处理，得到标准超声图像数据，并将所述标准超声图像数据发送至数据增强模块；

5、所述数据增强模块，具体为通过旋转、缩放、水平翻转和垂直翻转操作，对标准超声图像数据进行数据增强，得到增强超声图像数据，并将所述增强超声图像数据发送至子宫肌瘤检测模型构建模块；

6、所述子宫肌瘤检测模型构建模块，具体为采用深度卷积神经网络进行模型构建，设计深度卷积神经网络结构，通过k次模型训练进行前向传播和反向传播来优化模型，得到子宫肌瘤检测模型，并将所述子宫肌瘤检测模型发送至辅助报告生成模块；

7、所述辅助报告生成模块，具体为采用子宫肌瘤检测模型进行预测，得到预测数据并生成辅助报告。

8、进一步地，在数据采集模块中，通过超声探头获取子宫超声图像数据，通过标签标注得到子宫肌瘤标签，所述子宫肌瘤标签包括正常和异常。

9、进一步地，在数据预处理模块中，经过图像去噪、对比度调整和强度归一化对子宫超声图像数据进行预处理，得到标准超声图像数据。

10、进一步地，在数据增强模块中，设有旋转单元、缩放单元、水平翻转单元、垂直翻转单元和数据合并单元，具体包括以下内容：

11、旋转单元，将每个标准超声图像进行随机角度的旋转，旋转的计算公式为：

12、；

13、式中，a是标准超声图像横坐标，b是标准超声图像纵坐标，mge1(a，b)是标准超声图像旋转后坐标（a，b）处的像素值，mge（）是像素值函数，cos（）是余弦函数，sin（）是正弦函数，β是随机角度，所述随机角度的取值在-20度~20度之间；

14、缩放单元，将每个标准超声图像进行随机缩放操作，随机缩放的计算公式为：

15、；

16、式中，mge2(a，b)是标准超声图像缩放后坐标（a，b）处的像素值，rd是随机比例因子，所述随机比例因子的取值在0.8~1.2之间；

17、水平翻转单元，将每个标准超声图像以50％的概率进行水平翻转，水平翻转的计算公式为：

18、；

19、式中，mge3(a，b)是标准超声图像水平翻转后坐标（a，b）处的像素值，wd是标准超声图像宽度；

20、垂直翻转单元，将每个标准超声图像以50％的概率进行垂直翻转，垂直翻转的计算公式为：

21、；

22、式中，mge4(a，b)是标准超声图像垂直翻转后坐标（a，b）处的像素值，hg是标准超声图像高度；

23、数据合并单元，通过对标准超声图像数据进行旋转、缩放、水平翻转和垂直翻转操作，得到新超声图像数据，将新超声图像数据与标准超声图像数据合并，得到增强超声图像数据。

24、进一步地，在子宫肌瘤检测模型构建模块中，设有模型结构设计单元、前向传播设计单元、反向传播单元和模型训练单元，具体包括以下内容：

25、模型结构设计单元，设计深度卷积神经网络结构，所述深度卷积神经网络结构包括一个输入层、三个特征提取层、两个全连接层和一个输出层，所述特征提取层由一个卷积层和一个最大池化层构成；

26、前向传播设计单元，依据深度卷积神经网络结构，设计模型的前向传播过程，包括以下内容：

27、输入层接收增强超声图像数据，并将增强超声图像作为模型的输入图像；

28、卷积层操作，用于对输入图像进行特征提取，计算公式为：

29、；

30、式中，x是卷积特征图横坐标，y是卷积特征图纵坐标，clr（x，y）是卷积特征图坐标（x，y）处的特征值，i是输入图像横坐标索引，j是输入图像纵坐标索引，ig（i，j）是输入图像坐标（i，j）处的像素值，α是卷积核权重，u是卷积层偏置项；

31、池化层操作，用于对卷积特征图进行下采样，计算公式为：

32、；

33、式中，x1是池化特征图横坐标，y1是池化特征图纵坐标，plr（x1，y1）是池化特征图坐标（x1，y1）处的特征值，maxplr（）是最大池化操作；

34、全连接层操作，用于对特征进行学习和分类预测，计算公式为：

35、；

36、式中，alr是全连接层输出，relu（）是非线性激活函数，所述非线性激活函数采用线性整流单元，μ是全连接层权重，c是全连接层输入，u1是全连接层偏置项；

37、输出层采用softmax激活函数进行子宫肌瘤标签预测，并输出预测结果；

38、反向传播单元，通过反向传播算法，计算损失函数对模型参数的梯度，进而更新模型参数，最小化损失函数；

39、模型训练单元，采用深度卷积神经网络，进行k次模型训练，通过前向传播和反向传播进行模型调优，得到子宫肌瘤检测模型。

40、进一步地，在辅助报告生成模块中，采用子宫肌瘤检测模型进行预测，得到预测数据并生成辅助报告。

41、采用上述方案本发明取得的有益效果如下：

42、（1）针对存在不同患者的子宫肌瘤形态差异较大，但现实中正常图像数量远高于子宫肌瘤图像数量，导致数据不平衡的技术问题，本方案采用数据增强方法，通过旋转、缩放、水平翻转和垂直翻转操作改变子宫肌瘤图像，模拟不同形状的子宫肌瘤，增加了数据多样性，改善了数据不平衡问题，有助于训练模型适应不同病例。

43、（2）针对存在缺乏一种准确识别不同形状的子宫肌瘤的检测方法，从而影响了子宫肌瘤检测辅助系统的实用性的技术问题，本方案采用深度卷积神经网络，可以自动从图像数据中提取具有代表性的特征，学习不同形状的子宫肌瘤的特征表示，提高了模型的检测效率和泛化能力。