本技術涉及超聲圖像處理，尤其是涉及一種三維超聲圖像分類模型的訓練方法及裝置。

背景技術：

1、相較于對病灶進行x光射線檢查，超聲檢查對于病灶的腫瘤敏感度會更高，其中，手持式超聲檢查對操作人員的要求較高，而且超聲影像結果的可重復性不高，而對病灶采集三維的自動超聲圖像會有較大的優(yōu)勢，它增加了冠狀面成像，且不需過于依賴操作人員，但是對三維超聲圖像中的病灶進行分類檢查的效率較低。

2、目前，深度學習的應用為醫(yī)療領域帶來了巨大的助力，在基于超聲圖像的病灶良惡性深度學習分類模型的訓練方法中，例如，現(xiàn)有基于超聲圖像的乳腺癌良惡性深度學習分類模型是基于二維超聲圖像進行判斷和訓練的，但對于使用自動乳腺超聲圖像(automated?breast?ultrasound，abus)進行腫瘤的良惡性檢查時，現(xiàn)有的深度學習分類模型在該類三維超聲圖像的病灶分類準確性和效率未能達到應用要求。因此，如何通過訓練讓基于超聲圖像的病灶良惡性深度學習分類模型提升對三維超聲圖像的分類性能是個亟需解決的問題。

技術實現(xiàn)思路

1、有鑒于此，本技術的目的在于提供一種三維超聲圖像分類模型的訓練方法及裝置，通過在目標病灶對應的三維超聲訓練圖像的中間圖層中選取多張二維超聲訓練圖像，并確定每張二維超聲訓練圖像的掩膜圖像，對二維超聲訓練圖像及其掩膜圖像進行特征提取，以得到二維超聲訓練圖像的目標病灶特征，對該目標病灶特征進行包括良惡性維度、形狀維度和邊緣維度等多個特征維度下的分類，得到分類結果，并基于二維超聲訓練圖像在多個特征維度下的標注分類結果和分類結果，確定整體損失值并對三維超聲圖像分類模型中的模型參數(shù)進行迭代更新優(yōu)化，得到訓練后的目標三維超聲圖像分類模型，提高了三維超聲圖像分類模型對三維超聲圖像中的目標病灶進行分類的準確性和效率。

2、本技術實施例提供了一種三維超聲圖像分類模型的訓練方法，所述三維超聲圖像分類模型包括特征提取模型和多個特征維度下的分類器，所述訓練方法包括：

3、在預設訓練數(shù)據(jù)集中獲取目標病灶對應的目標三維超聲訓練圖像，在所述目標三維超聲訓練圖像的中間圖層中選取多張目標二維超聲訓練圖像，并分別確定每張所述目標二維超聲訓練圖像對應的掩膜圖像以及每張所述目標二維超聲訓練圖像對應的所述目標病灶在多個特征維度下的標注分類結果；其中，所述特征維度至少包括良惡性維度、形狀維度和邊緣維度；

4、利用所述特征提取模型對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的目標病灶特征；

5、針對所述目標病灶對應的多個特征維度，利用每個所述特征維度下的所述分類器對所述目標病灶特征進行對應的特征分類處理，得到每張所述目標二維超聲訓練圖像在每個所述特征維度下對應的分類結果；

6、基于所述標注分類結果和所述分類結果，確定每張所述目標二維超聲訓練圖像在每個所述特征維度下的損失函數(shù)值，并將每個所述特征維度下的所述損失函數(shù)值的和確定為每張所述目標二維超聲訓練圖像的整體損失值；

7、基于所述整體損失值，對所述三維超聲圖像分類模型中的模型參數(shù)進行更新優(yōu)化，并利用預設訓練數(shù)據(jù)集中其他的三維超聲訓練圖像迭代更新優(yōu)化所述模型參數(shù)，直至滿足預設的訓練條件，以得到更新后的目標三維超聲圖像分類模型。

8、進一步的，所述利用所述特征提取模型對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的目標病灶特征，包括：

9、對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行數(shù)據(jù)增強處理；

10、利用所述特征提取模型對數(shù)據(jù)增強處理后的每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的病灶特征；

11、將所述病灶特征進行維度轉(zhuǎn)換，得到每張所述目標二維超聲訓練圖像對應的表現(xiàn)為一維向量的目標病灶特征。

12、進一步的，所述特征提取模型包括融合特征提取模型和病灶特征提取模型；

13、所述利用所述特征提取模型對數(shù)據(jù)增強處理后的每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的病灶特征，包括：

14、利用所述融合特征提取模型對數(shù)據(jù)增強處理后的每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征的提取和融合，得到每張所述目標二維超聲訓練圖像對應的目標融合特征；

15、利用所述病灶特征提取模型對所述目標融合特征進行多次的卷積和窗口分層處理，以對所述目標融合特征進行特征提取，得到每張所述目標二維超聲訓練圖像對應的病灶特征。

16、進一步的，所述利用所述融合特征提取模型對數(shù)據(jù)增強處理后的每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征的提取和融合，得到每張所述目標二維超聲訓練圖像對應的目標融合特征，包括：

17、利用預設的融合特征提取模型中的第一可分離卷積和第二可分離卷積依次對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的第一融合特征；

18、利用所述融合特征提取模型中的第三可分離卷積對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的第二融合特征；

19、將所述第一融合特征和所述第二融合特征進行融合連接，得到第三融合特征，并利用所述融合特征提取模型中的卷積層對所述第三融合特征進行特征提取，得到每張所述目標二維超聲訓練圖像對應的目標融合特征。

20、進一步的，所述針對所述目標病灶對應的多個特征維度，利用每個所述特征維度下的所述分類器對所述目標病灶特征進行對應的特征分類處理，得到每張所述目標二維超聲訓練圖像在每個所述特征維度下對應的分類結果，包括：

21、利用所述良惡性維度下的第一分類器對所述目標病灶特征進行良惡性分類處理，得到每張所述目標二維超聲訓練圖像對應的良惡性分類結果；

22、利用所述形狀維度下預設的第二分類器對所述目標病灶特征進行形狀分類處理，得到每張所述目標二維超聲訓練圖像對應的形狀分類結果；

23、利用所述邊緣維度下預設的第三分類器對所述目標病灶特征進行邊緣分類處理，得到每張所述目標二維超聲訓練圖像對應的邊緣分類結果。

24、本技術實施例還提供了一種三維超聲圖像分類模型的訓練裝置，所述三維超聲圖像分類模型包括特征提取模型和多個特征維度下的分類器，所述訓練裝置包括：

25、圖像處理模塊，用于在預設訓練數(shù)據(jù)集中獲取目標病灶對應的目標三維超聲訓練圖像，在所述目標三維超聲訓練圖像的中間圖層中選取多張目標二維超聲訓練圖像，并分別確定每張所述目標二維超聲訓練圖像對應的掩膜圖像以及每張所述目標二維超聲訓練圖像對應的所述目標病灶在多個特征維度下的標注分類結果；其中，所述特征維度至少包括良惡性維度、形狀維度和邊緣維度；

26、特征提取模塊，用于利用所述特征提取模型對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的目標病灶特征；

27、特征分類模塊，用于針對所述目標病灶對應的多個特征維度，利用每個所述特征維度下的所述分類器對所述目標病灶特征進行對應的特征分類處理，得到每張所述目標二維超聲訓練圖像在每個所述特征維度下對應的分類結果；

28、損失計算模塊，用于基于所述標注分類結果和所述分類結果，確定每張所述目標二維超聲訓練圖像在每個所述特征維度下的損失函數(shù)值，并將每個所述特征維度下的所述損失函數(shù)值的和確定為每張所述目標二維超聲訓練圖像的整體損失值；

29、模型更新模塊，用于基于所述整體損失值，對所述三維超聲圖像分類模型中的模型參數(shù)進行更新優(yōu)化，并利用預設訓練數(shù)據(jù)集中其他的三維超聲訓練圖像迭代更新優(yōu)化所述模型參數(shù)，直至滿足預設的訓練條件，以得到更新后的目標三維超聲圖像分類模型。

30、進一步的，所述特征提取模塊在用于利用所述特征提取模型對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的目標病灶特征時，所述特征提取模塊用于：

31、對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行數(shù)據(jù)增強處理；

32、利用所述特征提取模型對數(shù)據(jù)增強處理后的每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的病灶特征；

33、將所述病灶特征進行維度轉(zhuǎn)換，得到每張所述目標二維超聲訓練圖像對應的表現(xiàn)為一維向量的目標病灶特征。

34、進一步的，所述特征提取模型包括融合特征提取模型和病灶特征提取模型；

35、所述特征提取模塊在用于利用所述特征提取模型對數(shù)據(jù)增強處理后的每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的病灶特征時，所述特征提取模塊用于：

36、利用所述融合特征提取模型對數(shù)據(jù)增強處理后的每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征的提取和融合，得到每張所述目標二維超聲訓練圖像對應的目標融合特征；

37、利用所述病灶特征提取模型對所述目標融合特征進行多次的卷積和窗口分層處理，以對所述目標融合特征進行特征提取，得到每張所述目標二維超聲訓練圖像對應的病灶特征。

38、進一步的，所述特征提取模塊在用于利用所述融合特征提取模型對數(shù)據(jù)增強處理后的每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征的提取和融合，得到每張所述目標二維超聲訓練圖像對應的目標融合特征時，所述特征提取模塊用于：

39、利用預設的融合特征提取模型中的第一可分離卷積和第二可分離卷積依次對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的第一融合特征；

40、利用所述融合特征提取模型中的第三可分離卷積對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的第二融合特征；

41、將所述第一融合特征和所述第二融合特征進行融合連接，得到第三融合特征，并利用所述融合特征提取模型中的卷積層對所述第三融合特征進行特征提取，得到每張所述目標二維超聲訓練圖像對應的目標融合特征。

42、進一步的，所述特征分類模塊在用于針對所述目標病灶對應的多個特征維度，利用每個所述特征維度下的所述分類器對所述目標病灶特征進行對應的特征分類處理，得到每張所述目標二維超聲訓練圖像在每個所述特征維度下對應的分類結果時，所述特征分類模塊用于：

43、利用所述良惡性維度下的第一分類器對所述目標病灶特征進行良惡性分類處理，得到每張所述目標二維超聲訓練圖像對應的良惡性分類結果；

44、利用所述形狀維度下預設的第二分類器對所述目標病灶特征進行形狀分類處理，得到每張所述目標二維超聲訓練圖像對應的形狀分類結果；

45、利用所述邊緣維度下預設的第三分類器對所述目標病灶特征進行邊緣分類處理，得到每張所述目標二維超聲訓練圖像對應的邊緣分類結果。

46、本技術實施例還提供了一種三維超聲圖像的分類方法，所述分類方法包括：

47、在針對目標病灶所采集的三維超聲圖像中獲取目標三維超聲圖像，并在所述目標三維超聲圖像的中間圖層中選取多張目標二維超聲圖像，并確定每張所述目標二維超聲圖像對應的目標掩膜圖像；

48、將每張所述目標二維超聲圖像和對應的所述目標掩膜圖像輸入至預先訓練的目標三維超聲圖像分類模型中，得到由所述目標三維超聲圖像分類模型輸出的每張所述目標二維超聲圖像的良惡性分類結果；

49、對每張所述目標二維超聲圖像的良惡性分類結果進行加權平均處理，得到所述目標三維超聲圖像的目標良惡性分類結果；

50、其中，所述目標三維超聲圖像分類模型是由上述的三維超聲圖像分類模型的訓練方法進行訓練所得到的。

51、本技術實施例還提供了一種三維超聲圖像的分類裝置，所述分類裝置包括：

52、圖像選取模塊，用于在針對目標病灶所采集的三維超聲圖像中獲取目標三維超聲圖像，并在所述目標三維超聲圖像的中間圖層中選取多張目標二維超聲圖像，并確定每張所述目標二維超聲圖像對應的目標掩膜圖像；

53、模型分類模塊，用于將每張所述目標二維超聲圖像和對應的所述目標掩膜圖像輸入至預先訓練的目標三維超聲圖像分類模型中，得到由所述目標三維超聲圖像分類模型輸出的每張所述目標二維超聲圖像的良惡性分類結果；

54、結果處理模塊，用于對每張所述目標二維超聲圖像的良惡性分類結果進行加權平均處理，得到所述目標三維超聲圖像的目標良惡性分類結果。

55、本技術實施例還提供一種電子設備，包括：處理器、存儲器和總線，所述存儲器存儲有所述處理器可執(zhí)行的機器可讀指令，當電子設備運行時，所述處理器與所述存儲器之間通過總線通信，所述機器可讀指令被所述處理器執(zhí)行時執(zhí)行如上述方法的步驟。

56、本技術實施例還提供一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)上存儲有計算機程序，該計算機程序被處理器運行時執(zhí)行如上述方法的步驟。

57、本技術實施例提供的三維超聲圖像分類模型的訓練方法及裝置，所述三維超聲圖像分類模型包括特征提取模型和多個特征維度下的分類器，分類方法包括：在預設訓練數(shù)據(jù)集中獲取目標病灶對應的目標三維超聲訓練圖像，在所述目標三維超聲訓練圖像的中間圖層中選取多張目標二維超聲訓練圖像，并分別確定每張所述目標二維超聲訓練圖像對應的掩膜圖像以及每張所述目標二維超聲訓練圖像對應的所述目標病灶在多個特征維度下的標注分類結果；其中，所述特征維度至少包括良惡性維度、形狀維度和邊緣維度；利用所述特征提取模型對每張所述目標二維超聲訓練圖像和對應的所述掩膜圖像進行特征提取，得到每張所述目標二維超聲訓練圖像對應的目標病灶特征；針對所述目標病灶對應的多個特征維度，利用每個所述特征維度下的所述分類器對所述目標病灶特征進行對應的特征分類處理，得到每張所述目標二維超聲訓練圖像在每個所述特征維度下對應的分類結果；基于所述標注分類結果和所述分類結果，確定每張所述目標二維超聲訓練圖像在每個所述特征維度下的損失函數(shù)值，并將每個所述特征維度下的所述損失函數(shù)值的和確定為每張所述目標二維超聲訓練圖像的整體損失值；基于所述整體損失值，對所述三維超聲圖像分類模型中的模型參數(shù)進行更新優(yōu)化，并利用預設訓練數(shù)據(jù)集中其他的三維超聲訓練圖像迭代更新優(yōu)化所述模型參數(shù)，直至滿足預設的訓練條件，以得到更新后的目標三維超聲圖像分類模型。

58、與現(xiàn)有技術中的基于超聲圖像的乳腺癌良惡性深度學習分類模型是基于二維超聲圖像進行判斷和訓練的方法相比，通過在目標病灶對應的三維超聲訓練圖像的中間圖層中選取多張二維超聲訓練圖像，并確定每張二維超聲訓練圖像的掩膜圖像，對二維超聲訓練圖像及其掩膜圖像進行特征提取，以得到二維超聲訓練圖像的目標病灶特征，對該目標病灶特征進行包括良惡性維度、形狀維度和邊緣維度等多個特征維度下的分類，得到分類結果，并基于二維超聲訓練圖像在多個特征維度下的標注分類結果和分類結果，確定整體損失值并對三維超聲圖像分類模型中的模型參數(shù)進行迭代更新優(yōu)化，得到訓練后的目標三維超聲圖像分類模型，提高了三維超聲圖像分類模型對三維超聲圖像中的目標病灶進行分類的準確性和效率。

59、為使本技術的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。