(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 202210293081.3 (22)申请日 2022.03.24 (71)申请人 什维新智医疗科技 （上海） 有限公司 地址 201114 上海市闵行区陈行公路238 8 号3号楼101-8室 (72)发明人 何敏亮　 (74)专利代理 机构 上海泰博知识产权代理有限 公司 31451 专利代理师 钱文斌 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于目标检测的超声图像工作区域检 测方法 (57)摘要 本发明涉及一种基于目标检测的超声图像 工作区域检测方法， 包括： 获取超声图像； 通过目 标检测网络提取所述超声图像的工作区域， 所述 目标检测网络包括依次连接的卷积神经网络 XDNetV2‑D‑WA、 特征金字塔网络以及两个并行的 分类网络和回归网络， 所述卷积神经网络 XDNetV2‑D‑WA用于提取超声图像的特征， 所述特 征金字塔网络用于对提取出的特征进行强化与 融合， 所述 分类网络用于根据强化与融合后的特 征识别出超声图像的工作区域， 所述回归网络用 于对超声图像的工作区域进行标识。 本发明通过 目标检测网络能够有效检测出超声图像的工作 区域。 权利要求书1页 说明书5页 附图3页 CN 114782317 A 2022.07.22 CN 114782317 A 1.一种基于目标检测的超声图像工作区域检测方法， 其特 征在于， 包括： 获取超声图像； 通过目标检测网络提取所述超声图像的工作区域， 所述目标检测网络包括依次连接的 卷积神经网络XDNetV2 ‑D‑WA、 特征金字塔网络以及两个并行的分类网络和回归网络， 所述 卷积神经网络XDNetV2 ‑D‑WA用于提取超声图像的特征， 所述特征金字塔网络用于对提取出 的特征进 行强化与融合， 所述分类网络用于根据强化与融合后的特征识别出超声图像的工 作区域， 所述回归网络用于对 超声图像的工作区域进行 标识。 2.根据权利要求1所述的基于目标检测的超声图像工作区域检测方法， 其特征在于， 所 述卷积神经网络XDNetV2 ‑D‑WA包括依次连接的第一特征单元、 第二特征单元、 第三特征单 元、 2个第四特征单元和2个第五特征单元， 其中， 所述第三特征单元包括依次连接的第二特 征单元和第六特征单元， 所述第四特征单元包括依次连接的第三特征单元和第七特征单 元。 3.根据权利要求2所述的基于目标检测的超声图像工作区域检测方法， 其特征在于， 所 述第一特征单元包括依次连接的深度可分离卷积层、 批归一化层、 激活层、 卷积层、 激活层、 层归一化层、 注意力模块和相加层， 并且第2个激活层的输出和相加层连接 。 4.根据权利要求2所述的基于目标检测的超声图像工作区域检测方法， 其特征在于， 所 述第二特征单元包括依次连接的卷积层、 激活层、 层 归一化层、 注 意力模块、 相加层、 层 归一 化层、 注意力模块和相加层， 并且激活层的输出和第1个相加层连接， 第1个相加层的输出和 第2个相加层连接 。 5.根据权利要求2所述的基于目标检测的超声图像工作区域检测方法， 其特征在于， 所 述第五特征单元包括依 次连接的卷积层、 激活层、 层归一化层、 注意力模块和相加层， 并且 激活层的输出和相加层连接 。 6.根据权利要求2所述的基于目标检测的超声图像工作区域检测方法， 其特征在于， 所 述第六特征单元包括依 次连接的激活层、 批归一化层、 深度可分离卷积层、 激活层、 批归一 化层、 深度可分离卷积层、 相加层、 层 归一化层、 注意力模块和相加层， 并且第二特征单元的 输出和第1个相加层连接， 第1个相加层的输出和第2个相加层连接 。 7.根据权利要求2所述的基于目标检测的超声图像工作区域检测方法， 其特征在于， 所 述第七特征单元包括依 次连接的激活层、 批归一化层、 深度可分离卷积层、 激活层、 批归一 化层、 深度可分离卷积层和相加层， 并且第三特 征单元的输出和相加层连接 。 8.根据权利要求3 ‑6所述的基于目标检测的超声图像工作区域检测方法， 其特征在于， 所述注意力模块包括相对位置编码层和3个深度可分离卷积层， 其中， 第2个深度可分离层 与第3个深度可分离层进 行点乘得到第一点乘结果， 第3个深度可分离层和相对位置编 码层 进行点乘得到第二点乘结果， 所述第一点乘结果和 第二点乘结果相加后与注意力激活层连 接， 激活层的输出和第1个深度可分离层进行点乘后与重塑层连接 。权　利　要　求　书 1/1 页 2 CN 114782317 A 2一种基于目标 检测的超声图像工作区域检测方 法 技术领域 [0001]本发明涉及医学图像处理技术领域， 特别是涉及 一种基于目标检测的超声图像工 作区域检测方法。 背景技术 [0002]一张超声图像上， 除了最主要的工作区域， 即超声波影像外， 还有其他的一些信 息； 其中包括一些中性的信息， 比如超声机品牌、 型号、 探头频率等， 也包括一些敏感信息， 比如医院和病人的信息。 在使用超声影像辅助诊断软件时， 为防止信息泄露， 需要对图像进 行脱敏。 [0003]然而， 人工脱敏的速度慢， 操作繁琐， 也会浪费医生时间， 延长诊断时间， 因此， 必 须通过算法自动脱敏。 [0004]并且， 对于软件中后续的分析算法而言， 工作区域以外的图像， 都是无意义的， 徒 增计算量和计算时间。 提取工作区域并仅对该区域进行分析， 能大 大提升效率。 发明内容 [0005]本发明所要解决的技术问题是提供一种基于目标检测的超声图像工作区域检测 方法， 通过目标检测网络能够有效检测出超声图像的工作区域。 [0006]本发明解决其技术问题所采用的技术方案是： 提供一种基于目标检测的超声图像 工作区域检测方法， 包括： [0007]获取超声图像； [0008]通过目标检测网络提取所述超声图像的工作区域， 所述目标检测网络包括依次连 接的卷积神经网络XDNetV2 ‑D‑WA、 特征金字塔网络以及两个并行的分类网络和回归网络， 所述卷积神经网络XDNetV2 ‑D‑WA用于提取超声图像的特征， 所述特征金字塔网络用于对提 取出的特征进 行强化与融合， 所述分类网络用于根据强化与融合后的特征识别出超声图像 的工作区域， 所述回归网络用于对 超声图像的工作区域进行 标识。 [0009]所述卷积神经网络XDNetV2 ‑D‑WA包括依次连接的第一特征单元、 第二特征单元、 第三特征单元、 2个第四特征单元和2个第五特征单元， 其中， 所述第三特征单元包括依次连 接的第二特征单元和 第六特征单元， 所述第四特征单元包括依次连接的第三特征单元和 第 七特征单元。 [0010]所述第一特征单元包括依次连接的深度可分离卷积层、 批归一化层、 激活层、 卷积 层、 激活层、 层归一 化层、 注意力模块和相加层， 并且第2个激活层的输出和相加层连接 。 [0011]所述第二特征单元包括依次连接 的卷积层、 激活层、 层归一化层、 注意力模块、 相 加层、 层归一化层、 注意力模块和相加层， 并且激活层的输出和第1个相加层连接， 第1个相 加层的输出和第2个相加层连接 。 [0012]所述第五特征单元包括依次连接的卷积层、 激活层、 层归一化层、 注意力模块和相 加层， 并且激活层的输出和相加层连接 。说　明　书 1/5 页 3 CN 114782317 A 3