一种数据检测方法、乳腺结节检测模型训练方法及电子设备与流程

本发明涉及医学图像处理，具体而言，涉及一种数据检测方法、乳腺结节检测模型训练方法及电子设备。

背景技术：

1、超声乳腺扫查是乳腺结节筛查及诊断的重要方法，目前而言，对超声乳腺结节的检测方法一般是基于留图数据训练的检测或分割模型，检测方法一般是基于自然图像的一阶段目标检测方法、二阶段目标检测方法或分割模型。

2、但是，现有的这些目标检测方法或分割方法，直接用在乳腺超声视频数据上，由于乳腺在超声视频中的表现相较于其他部位更加复杂，会发现存在许多误检情况。如乳腺增生块、腺体层中的脂肪团等都会被误识别，而大面积的紊乱腺体也会被误识别，导致这些检测方法都会有大量误检。

技术实现思路

1、有鉴于此，本发明实施例的目的在于，提供一种数据检测方法、乳腺结节检测模型训练方法及电子设备以至少部分地改善上述问题。

2、为了实现上述目的，本发明实施例采用的技术方案如下：

3、第一方面，本发明实施例提供了一种数据检测方法，包括：

4、将待检测超声视频输入训练好的乳腺结节检测模型，得到所述待检测超声视频的每帧图像的检测框信息；所述检测框信息包括检测框的数量以及位置信息，所述检测框为对乳腺结节的预标记；

5、将各帧所述图像的各所述检测框按照位置关系，放入多个检测框队列中；

6、针对每个所述检测框队列，判断所述检测框队列是否为满足第一预设条件的目标检测框队列；所述第一预设条件为所述检测框队列中的检测框数量大于所述检测框队列的长度的二分之一；

7、若是，则将所述目标检测框队列中的检测框对应的位置区域标记为乳腺结节；

8、若否，则将所述目标检测框队列中的检测框删除，不进行标记。

9、可选地，所述将各帧所述图像的各所述检测框按照位置关系，放入多个检测框队列中，包括：

10、将第一帧所述图像的各所述检测框分别放入对应数量的检测框队列中；

11、依次处理除第一帧所述图像之外所述图像，判断各所述检测框队列中的检测框的数量是否等于预设数量；

12、若是，则删除所述检测框队列的队首检测框；

13、根据当前处理的所述图像的各所述检测框与各所述检测框队列的队尾检测框的位置关系，分别将当前处理的所述图像的各所述检测框放入对应的检测框队列中。

14、可选地，所述根据当前处理的所述图像的各所述检测框与各所述检测框队列的队尾检测框的位置关系，分别将当前处理的所述图像的各所述检测框放入对应的检测框队列中，包括：

15、依次判断当前处理的所述图像的各所述检测框与各所述检测框队列的队尾检测框的重合度是否符合第二预设条件；

16、若是，将所述检测框放入对应的所述检测框队列中；

17、若否，将所述检测框放入一个新的检测框队列中；

18、依次判断各所述检测框队列是否有新的检测框放入；

19、若否，在所述检测框队列中放入一个空数据。

20、可选地，所述根据当前处理的所述图像的各所述检测框与各所述检测框队列的队尾检测框的位置关系，分别将当前处理的所述图像的各所述检测框放入对应的检测框队列中，包括：

21、计算出当前处理的所述图像的各所述检测框与各所述检测框队列的队尾检测框的重合度；

22、将符合第二预设条件的重合度进行排序，将重合度高的所述检测框放入对应的所述检测框队列中；

23、将重合度不符合所述第二预设条件的所述检测框放入一个新的检测框队列中；

24、依次判断各所述检测框队列是否有新的检测框放入；

25、若否，在所述检测框队列中放入一个空数据。

26、可选地，所述乳腺结节检测模型包括第一基础检测模型以及第一视频特征融合模块，所述方法还包括乳腺结节检测模型的训练步骤，包括：

27、使用留图数据对所述第一基础检测模型进行训练，得到成熟的第一基础检测模型；所述第一基础检测模型包括第一主干网络以及第一检测头模块；

28、获取超声视频样本集；所述超声视频样本集包括多个超声视频，所述超声视频包括乳腺结节真实的标注框；

29、提取各所述超声视频的每帧样本图片，抽取图像相似度低于预设阈值的同一个所述超声视频中的预设个数的所述样本图片作为一个batch；

30、将所述batch输入到所述第一主干网络中，得到所述预设个数的第一特征矩阵；

31、将各所述第一特征矩阵输入到所述第一视频特征融合模块，得到经过融合处理的所述预设个数的第二特征矩阵；

32、将各所述第二特征矩阵输入到所述第一检测头模块，通过上采样操作以及线性层，得到各所述样本图片的预测框信息；

33、基于所述预测框信息与所述标注框，计算出损失信息，并根据所述损失信息对所述乳腺结节检测模型进行迭代训练，直至满足预设条件。

34、可选地，所述图像相似度的计算公式为：

35、

36、其中，是图像x的像素均值，是图像y的像素均值，是图像x的像素方差，是图像y的像素方差，是图像x和图像y的像素协方差，c1和c2是常数。

37、可选地，所述将各所述第一特征矩阵输入到所述第一视频特征融合模块，得到经过融合处理的所述预设个数的第二特征矩阵，包括：

38、将各所述第一特征矩阵按通道维度进行拼接，得到拼接特征矩阵；

39、同步通过卷积操作将所述拼接特征矩阵进行融合得到融合特征矩阵、以及将所述拼接特征矩阵进行通道池化得到压缩特征向量；

40、将所述压缩特征向量与所述融合特征矩阵相乘，得到改变区域权重的权重特征矩阵；

41、将所述权重特征矩阵分为所述预设个数的第二特征矩阵。

42、可选地，所述预测框信息包括预测框的坐标信息以及预测框类别，所述损失信息的计算公式为：

43、

44、其中，、和分别是三个损失函数的权重；

45、

46、其中，是所述检测框为结节类别的概率，为用于减少简单样本损失占比的参数；

47、

48、其中，是所述预测框概率，是所述预测框和所述标注框之间的交并比，为用于减少简单样本损失占比的参数；

49、

50、

51、

52、其中，是所述预测框，是所述标注框，是所述标注框和所述预测框之间的交并比，是所述标注框的中心点和所述预测框的中心点之间的欧氏距离的平方，是所述标注框和所述预测框中对角线最短的距离的平方，和是所述标注框对应的宽和高，和是所述预测框对应的宽和高。

53、第二方面，本发明实施例提供了一种乳腺结节检测模型训练方法，应用于乳腺结节检测模型训练系统，所述乳腺结节检测模型训练系统包括第二基础检测模型以及第二视频特征融合模块，所述方法包括：

54、使用留图数据对所述第二基础检测模型进行训练，得到成熟的第二基础检测模型；所述第二基础检测模型包括第二主干网络以及第二检测头模块；

55、获取超声视频样本集；所述超声视频样本集包括多个超声视频，所述超声视频包括乳腺结节真实的标注框；

56、提取各所述超声视频的每帧样本图片，抽取图像相似度低于预设阈值的同一个所述超声视频中的预设个数的所述样本图片作为一个batch；

57、将所述batch输入到所述第二主干网络中，得到所述预设个数的第一特征矩阵；

58、将各所述第一特征矩阵输入到所述第二视频特征融合模块，得到经过融合处理的所述预设个数的第二特征矩阵；

59、将各所述第二特征矩阵输入到所述第二检测头模块，通过上采样操作以及线性层，得到各所述样本图片的预测框信息；

60、基于所述预测框信息与所述标注框，计算出损失信息，并根据所述损失信息对所述乳腺结节检测模型进行迭代训练，直至满足预设条件。

61、第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面任一项和/或第二方面所述的方法。

62、本发明实施例提供的一种数据检测方法、乳腺结节检测模型训练方法及电子设备，通过将待检测超声视频输入训练好的乳腺结节检测模型，得到待检测超声视频的每帧图像的检测框信息，将各帧图像的各检测框按照位置关系，放入多个检测框队列中，针对每个检测检测框队列，判断检测框队列是否为满足第一预设条件的目标检测框队列；若是，则将目标检测框队列中的检测框对应的位置区域标记为乳腺结节。从而能够用乳腺结节检测模型对超声视频进行检测，可以有效地降低乳腺超声视频上的误检，再通过检测框队列进行筛选过滤，可以进一步的降低误检。

63、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。