一种神经识别网络训练方法、应用方法、电子设备及介质与流程

本发明涉及超声图像识别领域，具体涉及一种神经识别网络训练方法、应用方法、电子设备及计算机可读存储介质。

背景技术：

1、神经定位穿刺是临床医疗中的一项重要工作内容，准确地分割超声图像并识别其中的神经可以为神经定位穿刺提供有效参考。传统的超声图像分割方法如阈值、水平集和活动轮廓等图像分割算法被广泛使用，然而这些方法大多数需要手动调整参数，难以实现完全自动化。并且传统方法对图像的噪声和图像质量较为敏感，在神经的超声图像分割中，由于神经的形状不规则、变化大及尺寸小等特点，传统方法可能无法准确识别和分割这些尺寸小而且变化大的神经。为了解决这些问题，研究者们积极探索了基于深度学习的识别方法，并且在智能神经识别中表现了较好的效果，但由于神经识别的特点，深度学习识别神经的方法仍然存在一些问题会影响识别的准确度，需要进一步研究与改进。例如：由于超声图像自带的一些特性，如易受到噪点、阴影和边界模糊等因素影响，导致超声图像的细节信息丢失；由于神经的尺寸较小一般只有3—5mm，带来了严重的前景与后景不平衡问题。

技术实现思路

1、有鉴于此，有必要提供一种神经识别网络训练方法、应用方法、电子设备及计算机可读存储介质，用于解决现有技术中由于超声图像的细节信息丢失和严重的前景与后景不平衡问题，导致难以得到准确的神经识别结果。

2、为了解决上述问题，一方面，本发明提供了一种神经识别网络训练方法，方法包括：

3、获取神经识别训练集，神经识别训练集包括神经图像和对应标注图像；

4、构建初始神经识别网络，初始神经网络包括特征采样模块、特征增强模块和预测输出模块；

5、将神经识别训练集作为初始神经识别网络的输入，基于特征采样模块对神经图像进行逐步特征采样得到多级特征图像，基于特征增强模块对多级特征图像进行特征增强并融合得到深度特征数据，深度特征数据和对应标注图像进行细节特征提取得到底层特征数据，基于预测输出模块融合深度特征数据和底层特征数据，并预测输出得到神经识别结果；

6、构建细节损失函数优化细节特征提取，构建混合损失函数对初始神经识别网络进行迭代训练，直至损失函数收敛，得到训练完备的神经识别网络。

7、进一步的，特征采样模块包括第一采样模块、第二采样模块、第三采样模块和第四采样模块；各采样模块均由卷积层、批处理、归一化层和激活层组成，第一采样模块的卷积核大小为1×1，其他采样模块的卷积核大小为3×3。

8、进一步的，基于特征采样模块对神经图像进行逐步特征采样得到多级特征图像，包括：

9、基于第一采样模块对神经图像进行特征采样得到第一特征图像；

10、基于第二采样模块对第一特征图像进行特征采样得到第二特征图像；

11、基于第三采样模块对第二特征图像进行特征采样得到第三特征图像；

12、基于第四采样模块对第三特征图像进行特征采样得到第四特征图像。

13、进一步的，基于特征增强模块对多级特征图像进行特征增强并融合得到深度特征数据，包括：

14、对第一特征图像依次进行下采样操作、全局平均池化和上采样操作得到全局背景信息；

15、对第二特征图和第三特征图进行下采样操作和注意力优化得到加强图像信息；

16、特征融合全局背景信息、加强图像信息和第四特征图像得到深度特征数据。

17、进一步的，对深度特征数据和对应标注图像进行细节特征提取得到底层特征数据，包括：

18、对深度特征数据进行上采样操作并结合对应标注图像作为特征指导输入；

19、对特征指导输入进行拉普拉斯卷积得到初步卷积特征；

20、对初步卷积特征进行不同通道数卷积核的卷积和与卷积核通道数对应的上采样操作得到各细节卷积数据；

21、将各细节卷积数据进行卷积融合得到底层特征数据。

22、进一步的，基于预测输出模块融合深度特征数据和底层特征数据，并预测输出得到神经识别结果，包括：

23、对深度特征数据和底层特征数据进行特征融合得到融合特征数据；

24、根据融合特征数据进行神经识别预测，输出得到神经识别结果。

25、进一步的，构建细节损失函数优化细节特征提取，包括：

26、基于dice损失和二元交叉熵损失构建细节损失函数；

27、以所述细节损失函数优化细节特征提取过程的参数。

28、另一方面，本发明还提供了一种神经识别网络应用方法，包括：

29、获取待识别神经图像；

30、将待识别神经图像输入到训练完备的神经识别网络，得到待识别神经图像的神经识别结果；

31、其中，训练完备的互感器误差预测网络根据上述任一项的神经识别网络训练方法确定。

32、另一方面，本发明还提供了一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述任一项的神经识别网络训练方法，和/或上述的神经识别网络应用方法。

33、另一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现上述任一项的神经识别网络训练方法，和/或上述的神经识别网络应用方法。

34、与现有技术相比，采用上述实施例的有益效果是：本发明在网络训练过程中通过细节特征提取得到底层特征数据实现细节信息补偿，通过细节损失函数平衡前景与后景信息，得到准确的神经识别网络。

技术特征：

1.一种神经识别网络训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的神经识别网络训练方法，其特征在于，所述特征采样模块包括第一采样模块、第二采样模块、第三采样模块和第四采样模块；各采样模块均由卷积层、批处理、归一化层和激活层组成，所述第一采样模块的卷积核大小为1×1，其他采样模块的卷积核大小为3×3。

3.根据权利要求2所述的神经识别网络训练方法，其特征在于，所述基于所述特征采样模块对所述神经图像进行逐步特征采样得到多级特征图像，包括：

4.根据权利要求3所述的神经识别网络训练方法，其特征在于，所述基于所述特征增强模块对所述多级特征图像进行特征增强并融合得到深度特征数据，包括：

5.根据权利要求1所述的神经识别网络训练方法，其特征在于，所述对所述深度特征数据和所述对应标注图像进行细节特征提取得到底层特征数据，包括：

6.根据权利要求1所述的神经识别网络训练方法，其特征在于，所述基于所述预测输出模块融合所述深度特征数据和所述底层特征数据，并预测输出得到神经识别结果，包括：

7.根据权利要求1所述的神经识别网络训练方法，其特征在于，所述构建细节损失函数优化细节特征提取，包括：

8.一种神经识别网络应用方法，其特征在于，所述方法包括：

9.一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序时，实现根据权利要求1至7任一项所述的神经识别网络训练方法，和/或根据权利要求8所述的神经识别网络应用方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现根据权利要求1至7任一项所述的神经识别网络训练方法，和/或根据权利要求8所述的神经识别网络应用方法。

技术总结
本发明涉及一种神经识别网络训练方法、应用方法、电子设备及介质，包括：获取神经识别训练集；构建初始神经识别网络；基于特征采样模块进行逐步特征采样得到多级特征图像，基于特征增强模块进行特征增强并融合得到深度特征数据，对深度特征数据和对应标注图像进行细节特征提取得到底层特征数据，基于预测输出模块融合深度特征数据和底层特征数据预测输出得到神经识别结果；构建细节损失函数优化细节特征提取。综上，本发明在网络训练过程中通过细节特征提取得到底层特征数据实现细节信息补偿，通过细节损失函数平衡前景与后景信息，得到准确的神经识别网络，同时本发明以更轻量级的网络结构提高推理速度，并以多种类型神经图像验证本发明普适性。

技术研发人员：张文彪,鲁先鹏
受保护的技术使用者：武汉中旗生物医疗电子有限公司
技术研发日：
技术公布日：2024/3/11