(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210545384.X (22)申请日 2022.05.19 (71)申请人 常州市第二人民医院 地址 213003 江苏省常州市天宁区兴隆巷 29号 (72)发明人 倪昕晔　毕卉　蔡成杰　孙佳伟　 张钒　 (74)专利代理 机构 常州品益专利代理事务所 (普通合伙) 32401 专利代理师 张晓东 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06V 10/422(2022.01) G06V 10/54(2022.01)G06V 10/56(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于超声动态序列影像特征的超声分级方 法 (57)摘要 本发明涉及生物医学信息处理技术， 特别是 一种基于超声动态序列影像特征的超声分级方 法， 包括以下步骤： S1： 获取超声动态序列图像； S2： 提取影像特征 f1以及帧间差图像的影像特征 f2,1、 f3,2、 直至fn,n‑1； S3： 融合影像特征f1和影像 特征f2,1、 f3,2、 直至fn,n‑1， 构成整个超声动态序 列的影像特征f； S4： 将影像特征f导入完成训练 的深度学习网络模型中进行分级。 本发明的有益 效果： 超声 图像具有动态优势， 通过超声动态序 列图像获得的帧间差图像可以更好地体现出目 标组织如甲状 腺的动态变化， 从而提取到差异性 更加明显的表征特征， 提高分级精度； 同时， 针对 帧间差图像进行特征提取， 可以降低计算的复杂 度， 提高计算效率， 更好地应用于临床检查诊断 过程中。 权利要求书1页 说明书4页 附图1页 CN 114926433 A 2022.08.19 CN 114926433 A 1.一种基于超声动态序列影 像特征的超声分级方法， 其特 征在于， 包括以下步骤： S1： 获取目标组织的超声动态序列图像； S2： 提取超声动态序列图像的第1帧图像的目标组织区域的影像特征f1以及帧间差图像 的目标组织区域的影像特征f2,1、 f3,2、 直至fn,n‑1， 帧间差图像包括第2帧与第1帧图像的帧间 差图像I2,1、 第3帧与第2帧图像的帧间差图像I3,2、 直至第n帧与第n ‑1帧图像的帧间差图像 In,n‑1； S3： 融合第1帧图像的影像特征f1和帧间差图像的影像特征f2,1、 f3,2、 直至fn,n‑1， 构成整 个超声动态序列的影 像特征f； S4： 将超声动态序列的影 像特征f导入完成训练的深度学习网络模型中进行分级。 2.根据权利要求1所述的基于超声动态序列影像特征的超声分级方法， 其特征是： 提取 帧间差图像的目标组织区域的影 像特征f2,1、 f3,2、 直至fn,n‑1的方法为包括以下步骤： 首先对超声动态序列图像的各帧图像进行分割， 分割出目标组织区域； 然后基于完成分割的超声动态序列图像的各帧图像获取帧间差图像I2,1、 I3,2、 直至 In,n‑1； 再然后基于获取的帧间差图像I2,1、 I3,2、 直至In,n‑1提取帧间差图像的目标组织区域的 影像特征f2,1、 f3,2、 直至fn,n‑1。 3.根据权利要求2所述的基于超声动态序列影像特征的超声分级方法， 其特征是： 对超 声动态序列图像的各帧图像进行分割， 分割出目标组织区域的方法为包括以下步骤： 首先对超声动态序列图像的其中一帧图像进行 人工分割； 然后以人工分割的一帧图像的目标组织区域为参考， 利用图像分割算法分割出超声序 列中其他帧图像的目标组织区域。 4.根据权利要求3所述的基于超声动态序列影像特征的超声分级方法， 其特征是： 以人 工分割的一帧图像的目标组织区域的初始轮廓线为 参考， 图像分割算法为水平集 算法。 5.根据权利要求1所述的基于超声动态序列影像特征的超声分级方法， 其特征是： 所述 的影像特征具体为灰度特 征、 纹理特征或形状特 征。 6.根据权利要求5所述的基于超声动态序列影像特征的超声分级方法， 其特征是： 所述 的灰度特征具体为直方图特征， 纹理特征具体为灰度共生矩阵特征或灰度区域大小矩阵特 征， 形状特 征具体为2D形状特 征。 7.根据权利要求1所述的基于超声动态序列影像特征的超声分级方法， 其特征是： 步骤 S3中通过权重法对影像特征进行融合， 各个影像特征的权重相等， 在步骤S4中的采用的深 度学习网络模型为预训练权重的分类深度网络模型， 该预训练权重的分类深度网络模型， 使用已经分级的超声动态序列图像为训练样本进 行训练， 并在训练过程中进 行网络参数的 微调和权 重的更新， 直至网络模型收敛， 完成训练。 8.根据权利要求7所述的基于超声动态序列影像特征的超声分级方法， 其特征是： 所述 的权重法具体为矩阵加权特征拼接 方法， f＝[α1f1, α2,1f2,1, α3,2f3,2,..., αn,n‑1fn,n‑1]， 其中， α1、 α2,1、 α3,2、 直至αn,n‑1为权重， 并且， α1+α2,1+...+αn,n‑1＝1。 9.根据权利要求1所述的基于超声动态序列影像特征的超声分级方法， 其特征是： 所述 的目标组织 为甲状腺或乳腺， 甲状腺分级标准 为TI‑RADS分级标准。权　利　要　求　书 1/1 页 2 CN 114926433 A 2基于超声动态序列影像特征的超声分级方 法 技术领域 [0001]本发明涉及 生物医学信息处理技术， 特别是一种基于超声动态序列影像特征的超 声分级方法。 背景技术 [0002]甲状腺最适宜超声检查， 在甲状腺病变术前诊断和术后随访中， 超声已经成为甲 状腺疾病检查的首选方法。 甲状腺TI ‑RADS分级 是甲状腺影像报告和数据系统分级的简称， 指的是在彩超检查中通过甲状腺结节声像图不同特点进行评分分级， 可以将甲状腺恶性程 度分为1～5级， 为避免过度诊断和治疗提供了依据。 [0003]临床诊断过程中， 医生需要根据 超声图像的特征对甲状腺进行TI ‑RADS分级， 然而 超声图像噪声大、 对比度低给 特征判别带来了困难。 [0004]影像组学关注肿瘤的全部特征， 可以在图像表征与甲状腺组织信息之间建立联 系， 以期从超声图像中得出诊断， 辅助 精准治疗。 影像组学分析包括图像获取、 病灶分割、 特 征提取、 模型筛选及构建等。 利用计算机进行智能影像组学分析亟待开展。 首先， 利用计算 机进行病灶的自动分割； 然后， 针对病灶区域进行自动特征提取； 最后， 使用训练好的深度 学习网络进行智能分级。 发明内容 [0005]本发明所要解决的技术问题是： 如何进一步提高基于深度学习网络模型的超声分 级的正确率。 [0006]本发明解决其技术问题所采用的技术方案是： 一种基于超声动 态序列影像特征的 超声分级方法， 包括以下步骤： [0007]S1： 获取目标组织的超声动态序列图像； [0008]S2： 提取超声动态序列图像的第1帧图像的目标组织区域的影像特征f1以及帧间 差图像的目标组织区域的影像特征f2,1、 f3,2、 直至fn,n‑1， 帧间差图像包括第2帧与第1帧图像 的帧间差图像I2,1、 第3帧与第2帧图像的帧间差图像I3,2、 直至第n帧与第n ‑1帧图像的帧间 差图像In,n‑1； [0009]S3： 融合第1帧图像的影像特征f1和帧间差图像的影像特征f2,1、 f3,2、 直至fn,n‑1， 构 成整个超声动态序列的影 像特征f； [0010]S4： 将超声动态序列的影 像特征f导入完成训练的深度学习网络模型中进行分级。 [0011]进一步限定， 提取帧间差图像的目标组织区域的影像特征f2,1、 f3,2、 直至fn,n‑1的方 法为包括以下步骤： 首先对超声动态序列图像的各帧图像进 行分割， 分割出目标 组织区域； 然后基于完成分割的超声动态序列图像的各帧图像获取帧间差图像 I2,1、 I3,2、 直至In,n‑1； 再 然后基于获取的帧间差图像I2,1、 I3,2、 直至In,n‑1提取帧间差图像的目标组织区域的影像特 征f2,1、 f3,2、 直至fn,n‑1。 [0012]更进一步限定， 对超声动态序列图像的各帧图像进行分割， 分割出目标组织区域说　明　书 1/4 页 3 CN 114926433 A 3