[发明专利]一种超声图像识别系统及自优化方法

说明书

本发明涉及超声图像识别技术领域，具体涉及一种超声图像识别系统及自优化方法，包括：输入模块，输入模块接收自外部输入的超声图像；特征优化模块，特征优化模块连接输入模块，特征优化模块对超声图像进行处理以生成特征优化图像；识别模块，识别模块连接特征优化模块，识别模块自特征优化模块接收特征优化图像，并采用一图像识别模型对特征优化图像进行识别以输出识别结果。本发明的有益效果在于：通过在传统的图像识别模型前设置一特征优化模块，进而实现了对输入图像识别模块的超声图像的预处理、特征凸显，从而实现了在对图像识别模型本身不进行任何改动的前提下，提高图像识别模型对图像识别的准确率。

技术领域

本发明涉及超声图像识别技术领域，具体涉及一种超声图像识别系统及自优化方法。

背景技术

超声图像识别，是一种应用于超声医学检查中的技术。由于传统的超声医学检查，比如B超，其生成的灰阶影像受操作者的手法、患者身体特征等因素影响较大，进而使得超声阅片过程十分依赖于医生的操作经验，且给医生带来了不小的负担。为此，通过人工智能技术对超声影像中的病灶、器官异常部位进行识别、标注，从而提高医生的阅片效率已成为较为主流的技术方向。

现有技术中，已存在有在连接超声扫查设备的计算机系统上搭载人工智能模型以辅助医生阅片的技术方案。该类技术方案通常会根据超声扫查的对象，比如甲状腺、淋巴等部位预先建立训练集，并构建一特定结构的人工智能模型进行训练，从而实现对不同部位的超声影像较好的图像处理、目标分割、类型识别等操作。为实现超声识别模型较好的准确率，部分识别系统中还设置有自学习功能，即在实际的扫查过程中将获取到的真实扫查影像作为训练集，以进行重新训练，从而实现更好的识别精度。

但是，在实际实施过程中，发明人发现，现有技术中，为实现对超声影像较好的识别效果，往往会采用较为复杂的识别模型，并在识别模型中通过一系列的目标检测、对象分割等网络实现识别过程。这导致了人工智能模型在重训练过程中的耗时较长。

发明内容

针对现有技术中存在的上述问题，现提供一种超声图像识别系统及自优化方法。

具体技术方案如下：

一种超声图像识别系统，包括：

输入模块，所述输入模块接收自外部输入的超声图像；

特征优化模块，所述特征优化模块连接所述输入模块，所述特征优化模块对所述超声图像进行处理以生成特征优化图像；

识别模块，所述识别模块连接所述特征优化模块，所述识别模块自所述特征优化模块接收所述特征优化图像，并采用一图像识别模型对所述特征优化图像进行识别以输出识别结果。

优选地，所述超声图像识别系统还包括：

重训练模块，所述重训练模块采集所述识别结果并生成训练集和测试集，所述重训练模块采用所述训练集和所述测试集对所述超声图像识别系统进行训练以生成优化参数；

所述特征优化模块根据所述优化参数对所述超声图像进行处理以生成特征优化图像。

优选地，所述重训练模块包括：

训练集子模块，所述训练集子模块连接所述识别模块，所述训练集子模块根据所述识别结果生成所述训练集；

训练子模块，所述训练子模块连接所述训练集子模块、所述特征优化模块和所述识别模块；

所述训练子模块将所述训练集中的训练图像依次输入所述特征优化模块，以对所述特征优化模块和所述识别模块进行训练，并生成训练数据；

参数生成子模块，所述参数生成子模块连接所述训练子模块，所述参数生成子模块根据所述训练结果生成所述优化参数。

优选地，所述训练集子模块包括：