[发明专利]一种提升深度学习识别B超图像稳定性的方法

权利要求书

1.一种提升深度学习识别B超图像稳定性的方法，其特征在于：包括以下步骤：

A、准备训练数据：结合目标B超图像轮廓和其类别标签生成图像语义分割标签；

B、训练：使用语义分割模型来训练B超图像轮廓～语义分割标签的映射，获得训练后的语义分割网络深度学习模型；

C、识别：将待识别的图像送入训练后的语义分割网络深度学习模型，得到不同类别的分割区域，获得各区域的分割结果。

2.根据权利要求1所述的提升深度学习识别B超图像稳定性的方法，其特征在于：步骤A具体包括以下过程：

A1、进行分类：获得每幅B超图像中待识别对象的分类类别信息；

A2、获取轮廓：获得每幅图像中待识别对象的轮廓；

A3、生成标签：根据分类类别信息和轮廓生成训练的目标标签，标签为n通道二值化图像；标签可以不包含背景通道：此时n等于分类数，对应类别的通道图像为对象轮廓，其它通道的图像均为0；标签也可包含背景通道：此时n等于分类数加1，对应类别的通道图像为对象轮廓，背景通道图像为轮廓的补集，其它通道的图像均为0。

3.根据权利要求1所述的提升深度学习识别B超图像稳定性的方法，其特征在于：步骤B具体包括以下过程：

B1、将B超图像送入语义分割网络深度学习模型，计算多通道分割结果，并将其与标签比较，计算损失误差；

B2、使用反向传播算法和随机梯度下降算法来调整语义分割网络深度学习模型的权值，以降低损失误差；

B3、不断重复上述B1-B2过程，直到达到稳定的结果。

4.根据权利要求3所述的提升深度学习识别B超图像稳定性的方法，其特征在于：步骤C具体包括以下过程：

C1、将待识别的B超图像送入已训练的语义分割网络深度学习模型，得到对应类别的分割结果；

C2、根据每个类别的分割结果来计算B超图像中待识别对象的类别。

5.根据权利要求4所述的提升深度学习识别B超图像稳定性的方法，其特征在于，步骤C2中根据每个类别的分割结果来计算B超图像中待识别对象的类别，类别的计算方法为以下三种方式中的任意一种：

第一种，比较各通道像素点概率之和；

第二种，比较各通道面积大小；

第三种，以某通道面积比例阈值作为判定结果。