1.一种超声图像识别模型,其特征在于,所述超声图像识别模型包括残差模块、类金字塔分解模块、概率池化模块、通道注意力模块、第一特征图像调节模块、第二特征图像调节模块以及图像识别模块;
所述残差模块,用于对输入超声图像进行卷积处理,得到所述输入超声图像对应的初始多通道特征图像;
所述类金字塔分解模块,用于对所述初始多通道特征图像中每个通道对应的特征图像进行金字塔分解,得到每个通道对应的多个特征子图像;所述多个特征子图像的尺度互不相同;
所述概率池化模块,用于分别对所述多个特征子图像中的每个特征子图像进行概率池化,得到每个特征子图像的初始权重系数;所述概率池化表示不同特征子图像对应的池化方式的概率互不相同,所述池化方式包括最大池化、平均池化、最小池化以及随机池化,所述概率服从标准正态分布;
所述通道注意力模块,用于根据所述初始权重系数计算每个通道的通道权重,并对所有通道的通道权重进行一维卷积处理,得到所述初始多通道特征图像的通道权重矩阵;
所述第一特征图像调节模块,用于将所述通道权重矩阵和所述初始多通道特征图像相乘,得到中间多通道特征图像;
所述第二特征图像调节模块,用于将所述中间多通道特征图像和所述初始多通道特征图像相加,得到最终多通道特征图像;
所述图像识别模块,用于对所述最终多通道特征图像进行识别,得到所述最终多通道特征图像的识别结果。
2.根据权利要求1所述的超声图像识别模型,其特征在于,所述残差模块的输入端接收超声图像,所述残差模块的输出端分别连接所述类金字塔分解模块的输入端、所述第一特征图像调节模块的第一输入端以及所述第二特征图像调节模块的第一输入端,所述类金字塔分解模块的输出端连接所述概率池化模块的输入端,所述概率池化模块的输出端连接所述通道注意力模块的输入端,所述通道注意力模块的输出端连接所述第一特征图像调节模块的第二输入端,所述第一特征图像调节模块的输出端连接所述第二特征图像调节模块的第二输入端,所述第二特征图像调节模块的输出端连接所述图像识别模块的输入端,所述图像识别模块的输出端输出超声图像的识别结果。
3.根据权利要求1所述的超声图像识别模型,其特征在于,所述对所述初始多通道特征图像中每个通道对应的特征图像进行金字塔分解,得到每个通道对应的多个特征子图像,包括:分别针对每个通道对应的特征图像,执行以下步骤:
步骤i,将所述特征图像作为初始图像,对所述初始图像进行复制,得到中间图像;
步骤ii,以预先设置的步长,对所述中间图像的最外圈像素进行截取,得到最终图像;
步骤iii,若所述最终图像的尺度大于等于预设尺度阈值,则将所述最终图像作为所述步骤i中的初始图像,返回执行步骤i;否则,将所述初始图像和执行所述步骤iii得到的所有最终图像,作为所述每个通道对应的多个特征子图像。
4.根据权利要求3所述的超声图像识别模型,其特征在于,所述尺度阈值的计算公式为E=(min(M,N)‑2)mod 2*T其中,Mx,Nx均表示尺度阈值,E表示尺度阈值计算的判断条件,T表示步长,M,N均表示初始图像的尺度,mod表示取余,|·|表示取绝对值。
5.根据权利要求4所述的超声图像识别模型,其特征在于,所述根据所述初始权重系数计算每个通道的通道权重,并对所有通道的通道权重进行一维卷积处理,得到所述初始多通道特征图像的通道权重矩阵,包括:分别针对每个通道,将所述通道对应的所有初始权重系数相加,得到所述通道权重;
利用一维卷积对所有通道的通道权重进行卷积处理,得到中间通道权重矩阵;其中,若所述通道的总数目小于等于128,则将所述一维卷积的卷积核设为5,否则将所述一维卷积的卷积核设为7;
利用激活函数对所述中间通道权重矩阵进行激活,得到所述通道权重矩阵。
6.一种超声图像识别方法,其特征在于,包括:
获取超声图像训练集;所述超声图像训练集包括多个已知类型的超声图像;
将所述多个已知类型的超声图像逐个输入所述超声图像识别模型,得到每个超声图像的识别结果;所述超声图像识别模型为权利要求1至5中任一项所述的超声图像识别模型;
根据所述识别结果和每个超声图像的类型,计算所述超声图像识别模型的损失,并根据所述损失对所述超声图像识别模型进行反向传播,直至所述超声图像识别模型拟合,得到训练后的超声图像识别模型;
将待识别超声图像输入所述训练后的超声图像识别模型,得到待识别超声图像的识别结果。
7.根据权利要求6所述的超声图像识别方法,其特征在于,所述将所述多个已知类型的超声图像逐个输入所述超声图像识别模型,得到每个超声图像的识别结果,包括:通过计算公式
得到每个类型的输出概率Pk;其中,Pk表示类型K的输出概率,k=1,2,...,Q,Q表示所述超声图像训练集中超声图像的类型的总数量,,zk表示第k个节点的输出值,,j表示第j个节点,n表示输出节点的个数,softmax(·)表示激活函数;
将输出概率最大的类型作为所述识别结果。
8.根据权利要求7所述的超声图像识别方法,其特征在于,所述根据所述识别结果和每个超声图像的类型,计算所述超声图像识别模型的损失,并根据所述损失对所述超声图像识别模型进行反向传播,直至所述超声图像识别模型拟合,得到训练后的超声图像识别模型,包括:分别针对每个超声图像,通过计算公式
γ
FL=‑ak(1‑pk) log(pk)
得到所述超声图像识别模型的损失FL;其中,ak表示类型k的权重,pk表示类型k的输出概率,γ表示聚焦参数,γ∈[0,5];
根据所述损失FL对所述超声图像识别模型进行反向传播,直至反向传播得到的新超声图像识别模型的损失值小于预设损失阈值时,确定所述新超声图像识别模型拟合,得到所述训练后的超声图像识别模型;其中,反向传播的动量设置为0.9,反向传播的学习率采用热学习率策略获取,反向传播的L1正则化的权重衰减系数设置为5e‑4。