(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 202210293087.0 (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类型识别方 法 (57)摘要 本发明涉及一种基于目标检测的超声图像 类型识别方法， 包括： 获取带有脏器标记的超声 图像； 通过目标检测网络识别所述超声图像的脏 器标记来确定脏器类型， 所述目标检测网络包括 依次连接的卷积神经网络XDNetV2 ‑D‑UT、 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‑UT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脏器标 记类型， 所述回归网络用于对超声图像的脏器标 记区域进行标识。 本发明通过目标检测网络能够 有效检测超 声图像的脏 器类型。 权利要求书1页 说明书6页 附图5页 CN 114782318 A 2022.07.22 CN 114782318 A 1.一种基于目标检测的超声图像 类型识别方法， 其特 征在于， 包括： 获取带有脏器标记的超声图像； 通过目标检测网络识别所述超声图像的脏器标记来确定脏器类型， 所述目标检测网络 包括依次连接的卷积神经网络XDNetV2 ‑D‑UT、 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‑UT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 出超声图像的脏器标记类型， 所述回归网络用于对 超声图像的脏器标记区域进行 标识。 2.根据权利要求1所述的基于目标检测的超声图像类型识别方法， 其特征在于， 所述卷 积神经网络XDNetV2 ‑D‑UT包括依次连接的第一特征单元、 2个第二特征单元、 第三特征单 元、 第四特征单元、 第 五特征单元和第六特征单元， 其中， 所述第一特征单元包括依 次连接 的第七特征单元和第八特征单元； 所述第二特征单元包括依 次连接的第四特征单元、 第九 特征单元和第八特征单元； 所述第三特征单元包括依次连接的第四特征单元和 第九特征单 元。 3.根据权利要求2所述的基于目标检测的超声图像类型识别方法， 其特征在于， 所述第 七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、 相加层、 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 。 4.根据权利要求2所述的基于目标检测的超声图像类型识别方法， 其特征在于， 所述第 四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类型识别方法， 其特征在于， 所述第 九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， 并且第四特征单元的输出 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 。 6.根据权利要求2所述的基于目标检测的超声图像类型识别方法， 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 。 7.根据权利要求3 ‑6所述的基于目标检测的超声图像类型识别方法， 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 。 8.根据权利要求2所述的基于目标检测的超声图像类型识别方法， 其特征在于， 所述第 八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， 并且第七特 征单元的输出和相加层连接 。 9.根据权利要求1所述的基于目标检测的超声图像类型识别方法， 其特征在于， 所述第 六特征单元包括依次连接的卷积层、 批归一 化层和激活层。权　利　要　求　书 1/1 页 2 CN 114782318 A 2一种基于目标 检测的超声图像类型识别方 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类 型识别方法。 背景技术 [0002]在临床上， 超声检测被应用于多种脏器的检查， 比如甲状腺、 乳腺、 肝脏、 肾脏、 膀 胱等等， 由于不同部位的组织结构都不同， 即使同一种特征(回声、 钙化、 或形态 等)， 不同脏 器的图像都不同。 因此， 在超声影 像分析软件中， 对用不同脏器， 最 好使用不同的分析算法。 [0003]而大部分的超声图像上， 都标有表示部位或脏器的图标， 因此， 可以通过识别图 标， 判断用户导入的图像是属于 哪一个脏器的超声影像， 据此使用对应的分析算法， 减少用 户不必要的手动操作， 提升软件的便捷性和易用性。 发明内容 [0004]本发明所要解决的技术问题是提供一种目标检测的超声图像类型识别方法， 通过 目标检测网络能够有效检测超声图像的脏器 类型。 [0005]本发明解决其技术问题所采用的技术方案是： 提供一种目标检测的超声图像类型 识别方法， 包括： [0006]获取带有脏器标记的超声图像； [0007]通过目标检测网络识别所述超声图像的脏器标记来确定脏器类型， 所述目标检测 网络包括依次连接的卷积神经网络XDNetV2 ‑D‑UT、 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‑UT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 识别出超声图像的脏器标记类型， 所述回归网络用于对超声图像的脏器标记区域进行标 识。 [0008]所述卷积神经网络XDNetV2 ‑D‑UT包括依次连接的第一特征单元、 2个第二特征单 元、 第三特征单元、 第四特征单元、 第五特征单元和第六特征单元， 其中， 所述第一特征单元 包括依次连接的第七特征单元和 第八特征单元； 所述第二特征单元包括依次连接的第四特 征单元、 第九特征单元和第八特征单元； 所述第三特征单元包括依 次连接的第四特征单元 和第九特 征单元。 [0009]所述第七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、 相加层、 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 。 [0010]所述第四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 。 [0011]所述第九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、 激活说　明　书 1/6 页 3 CN 114782318 A 3