一种基于超声扫查的病灶检测方法

摘要

本发明公开了一种基于超声扫查的病灶检测方法，包括：对第t帧图像进行目标检测即病灶识别，识别出各个病灶以及各个病灶的区间位置，构成第t帧病灶集合Dt；将第t帧病灶集合Dt中的各个病灶分别与上一帧跟踪队列即第t‑1帧跟踪队列Pt‑1中的各个跟踪轨迹进行关联匹配，得到第t帧跟踪队列Pt；依次类推，直至读取完超声扫查视频中的最后一帧图像，得到最后一帧跟踪队列，该最后一帧跟踪队列即为超声扫查视频的完整跟踪队列。本发明对超声扫查视频进行疑似病灶区域的跟踪，能够实现病灶区域的实时定位，克服仅利用单帧图像信息的片面性，提升对超声图像的时空维度的全面利用，从而提高病灶检测的准确度。

说明书

技术领域

本发明涉及超声检查的技术领域，尤其是一种基于超声扫查的病灶检测方法。

背景技术

超声诊断是腹部肾脏、肝脏、胰腺、脾脏、胆囊等器官首选影像学检查和术前评估方法。但病灶识别仍欠缺定量、稳定的分析手段，严重依赖医生的临床经验。近年来，基于计算机技术的医疗影像分析水平快速发展，超声影像分析取得了一系列里程碑式的突破，为医疗提供有效的诊断决策支持。医学超声图像通常包含较多标记和背景信息，而病灶区即发生病变的区域往往仅占小部分，对病灶区检测可以将有效信息从周围组织及标记中分离出来，进而提高后续特征分析的准确度。相对通用目标检测问题，病灶区域通常因人、因病而异，没有固定的形态及纹理特征，并且受限于超声图像采集原理及设备的影响，对比度低、斑点噪声一直影响着超声图像的质量。目前病灶识别方法需要医生手动截取超声扫查视频的单张图像，上传到云端进行识别，单张图像病灶信息并不充分，超声图像经常会有某些切面的一些脂肪、血管、组织等看起来与病灶无异，必须结合前后的影像综合判断，所以基于单张图像的病灶识别不完全准确，通常会有很高的假阳性。

现有技术中，利用深度学习方法对单张图像的病灶识别进行优化，但是，深度学习方法依赖于大量经过高质量标注的数据，然而医疗数据需要具有专业临床经验的医生进行标注，这就形成了医疗数据的产出与算法需求之间的矛盾，目前病灶检测模型都是基于单张图像而不是完整扫查视频的序列图像进行训练的，由于参与训练的背景数据有限，当目标检测算法应用在视频中时，定位误差会引起预测框前后帧突变或者跳跃性的假阳性检测，进而引发预测框不稳定现象。由于超声扫查的视频场景是实时性的，因此模型的复杂度必须较低，但因超声运动受到操作者动作的影响,病灶区域变化较大且不稳定,要获得鲁棒的跟踪效果难度较大。

发明内容

为了克服上述现有技术中的缺陷，本发明提供一种基于超声扫查的病灶检测方法，提高了病灶检测的准确度。

为实现上述目的，本发明采用以下技术方案，包括：

一种基于超声扫查的病灶检测方法，包括以下步骤：

S1，读取超声扫查视频中的当前帧图像即第t帧图像，对第t帧图像进行目标检测即病灶识别，从第t帧图像中识别出n

S2，将第t帧病灶集合D

其中，第t-1帧跟踪队列P

S3，按照步骤S1～S2的方式，依次读取超声扫查视频中的下一帧图像，对下一帧图像进行病灶识别，从下一帧图像中识别出若干个病灶以及各个病灶的区间位置，得到下一帧病灶集合，将下一帧病灶集合中的各个病灶分别与上一帧跟踪队列中的各个跟踪轨迹进行关联匹配，得到下一帧跟踪队列；

直至读取完超声扫查视频中的最后一帧图像，得到最后一帧跟踪队列，该最后一帧跟踪队列即为超声扫查视频的完整跟踪队列。

步骤S2中，关联匹配的具体方式如下所示：

S21，将第t帧病灶集合D

其中，第t帧病灶集合D

S22，针对第t帧病灶集合D

S221，若病灶

S222，若病灶

S23，根据新建立的跟踪轨迹、更新后的跟踪轨迹、历史跟踪轨迹即未更新的跟踪轨迹，构成第t帧跟踪队列P

步骤S221中，病灶

最大IOU值所对应的跟踪轨迹

病灶

更新后的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为αx1

其中，

病灶的置信度为目标检测即病灶识别过程中所获取的该病灶的参数，用于表征目标检测所识别的该病灶可信度。

步骤S222中，病灶

其中，g为病灶的真实性值；

病灶的置信度为目标检测即病灶识别过程中所获取的该病灶的参数，用于表征目标检测所识别的该病灶可信度。

读取超声扫查视频中的第1帧图像，对第1帧图像进行目标检测即病灶识别，得到第1帧病灶集合D

最后一帧跟踪队列即为超声扫查视频的完整跟踪队列，分别计算最后一帧跟踪队列中的每个跟踪轨迹的累计置信度∑conf，将累计置信度∑conf超过设定阈值σ

所述累计置信度∑conf为：跟踪轨迹中所关联的各个病灶的置信度之和；

病灶的置信度为目标检测即病灶识别过程中所获取的该病灶的参数，用于表征目标检测所识别的该病灶可信度。

病灶的区间位置是指目标检测过程中该病灶检测框的大小和位置。

本发明的优点在于：

(1)本发明对超声扫查视频进行疑似病灶区域的跟踪，能够实现病灶区域的实时定位，克服仅利用单帧图像信息的片面性，提升对超声图像的时空维度的全面利用，从而提高病灶检测的准确度。

(2)超声图像有别于自然场景图像，病灶的形状不规则、边界不明确，病灶内部特征多样，其次与周围组织、器官区分性不明显，极易出现假阳性误检，因此在超声扫查过程中，出现大量只出现一次的突变性假阳性误检，非常影响医生的观察与判断，降低了辅助诊断的体验。突变性假阳性误检通常置信度较低，在实际的检测中大多方法采用提高置信度阈值来过滤这些误检，但是单一性的阈值不能够过滤高置信度误检，同时会降低微小病灶的检出率。由于病灶作为占位性病变，在多角度扫查过程中，通常会连续多帧被检测到，受到这种先验的启发，因此，本发明提出了IOU跟踪策略来捕获能够被连续多帧检测到的病灶，大大降低突变性假阳性误检。

(3)微小病灶的图像占比小，特征信息少，通常置信度偏低，并且尺度远小于突变性误检，受扫查医生扫查手法的影响，微小病灶以极低的概率出现，IOU跟踪策略在降低误检的同时，也过滤掉了微小病灶。本发明为了提高微小病灶的检出率，提出了置信度与矩形框面积平方根比值的策略，提高微小病灶的权重，提高微小病灶的检出率。

(4)受噪声和检测网络模型性能的影响，同一个跟踪轨迹所对应跟踪的病灶的区间位置即病灶检测框的大小、位置和置信度变化不稳定，本发明提出了一种对同一跟踪轨迹前后帧的病灶检测框进行加权融合策略，提高了病灶检测框的稳定性；

(5)本发明对于跟踪轨迹，利用跟踪轨迹的累计置信度对轨迹质量进行评估，判断真实跟踪轨迹，从而检测出真实病灶。

附图说明

图1为本发明的一种基于超声扫查的病灶检测方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

由图1所示，一种基于超声扫查的病灶检测方法，包括以下步骤：

S1，读取超声扫查视频中的第1帧图像，对第1帧图像进行目标检测即病灶识别，从第1帧图像中识别出n

病灶的区间位置是指目标检测过程中该病灶检测框的大小和位置。

S2，基于第1帧图像的识别结果，形成第1帧跟踪队列P

每个跟踪轨迹分别对应跟踪一个病灶，因此，第1帧病灶集合D

S3，读取超声扫查视频中的第2帧图像，对第2帧图像进行病灶识别，从第2帧图像中识别出n

S4，将第2帧病灶集合D

S41，将第2帧病灶集合D

其中，第2帧病灶集合D

i

j

S42，针对第2帧病灶集合D

S421，若病灶

病灶

最大IOU值所对应的跟踪轨迹

病灶

更新后的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为αx1

其中，

所述置信度为目标检测即病灶识别过程中的目标参数，用于表征目标检测的可信度，取值范围为0～1，数值越大，可信度越高。

S422，若病灶

病灶

其中，g为病灶

S43，根据新建立的跟踪轨迹、更新后的跟踪轨迹、历史跟踪轨迹即未更新的跟踪轨迹，构成第2帧跟踪队列P

S5，读取超声扫查视频中的下一帧图像即第t帧图像，对第t帧图像进行目标检测即病灶识别，从第t帧图像中识别出n

S6，将第t帧病灶集合D

其中，第t-1帧跟踪队列P

步骤S6中，关联匹配的具体方式如下所示：

S61，将第t帧病灶集合D

其中，第t帧病灶集合D

S62，针对第t帧病灶集合D

S621，若病灶

病灶

最大IOU值所对应的跟踪轨迹

病灶d

更新后的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为αx1

其中，

S622，若病灶

病灶

其中，g为病灶的真实性值；

S63，根据新建立的跟踪轨迹、更新后的跟踪轨迹、历史跟踪轨迹即未更新的跟踪轨迹，构成第t帧跟踪队列P

S7，按照步骤S5～S6的方式，依次读取超声扫查视频中的下一帧图像，对该下一帧图像进行病灶识别，从下一帧图像中识别出若干个病灶以及各个病灶的区间位置，得到该下一帧病灶集合，将该下一帧病灶集合中的各个病灶分别与上一帧跟踪队列中的各个跟踪轨迹进行关联匹配，得到该下一帧跟踪队列；

直至读取完超声扫查视频中的最后一帧图像，得到该最后一帧跟踪队列，该最后一帧跟踪队列即为超声扫查视频的完整跟踪队列。

S8，分别计算最后一帧跟踪队列中的各个跟踪轨迹的累计置信度∑conf，将累计置信度∑conf超过设定阈值σ

所述累计置信度∑conf为：跟踪轨迹中所关联的各个病灶的置信度之和。

以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。