一种基于YOLOv5的前列腺超声图像辅助诊断方法及系统

一种基于yolov5的前列腺超声图像辅助诊断方法及系统
技术领域
1.本发明涉及用于识别图形的记录载体的前列腺超声图像诊断识别技术领域，具体地说是一种基于yolov5的前列腺超声图像辅助诊断方法及系统。


背景技术：

2.超声成像技术是利用超声声束对人体进行扫描，通过接收、处理反射回探头的号可以获取到人体器官构造、血管内部成分等图像信息。超声成像发展迅速，出现了三维彩超、血管内超声等多种超声成像技术。随着科技的发展，基于数字图像处理的分析方法在超声图像领域中得到了广泛的应用，基于超声图像的计算机辅助诊断是一种计算机化程序，可为超声图像解读和诊断提供第二个客观的意见，其主要应用之一是区分器官区域正常或异常，检测出病灶区域。多项研究表明，将基于超声图像的计算机辅助诊断融合入诊断过程中，可以减少观察者之间的差异来改善超声图像诊断的准确率，从而为活组织检查等临床决策提供定量支持。具体而言，基于超声图像的计算机辅助诊断被证明可有效地协助诊断检查，以减少不必要的假阳性活检和手术。
3.在前列腺医学超声图像中，利用计算机视觉和人工智能方法的图像识别技术有着重要的辅助诊断作用，该技术可以智能分析前列腺器官的大小以及膀胱残尿等信息，为临床医生的诊断提供重要辅助依据，因此研究前列腺超声图像智能辅助诊断方法具有重要的社会价值和应用前景，但前列腺超声图像相比较其他医学图像而言有对比度低、分辨率低以及图像模糊等问题，且非常容易受斑点噪声等因素的干扰，目前在人工智能、计算机视觉以及医学图像分析交叉领域，前列腺超声图像的智能辅助诊断方法的研究仍然面临很大的困难。刘志勇(刘志勇。基于深度学习的前列腺癌超声图像辅助诊断技术研究[d]。广东技术师范大学,2021.doi：10.27729/d.cnki.ggdjs.2021.000171.)提出基于s-maskr-cnn的前列腺超声图像分割定位方法，用于对阳性前列腺和阴性前列腺进行分类，并定位前列腺区域，但是该技术无法从前列腺视频序列中筛选出关键帧，同时无法计算前列腺体积、质量关键信息。
[0004]
因此针对现有技术的不足，本发明提供一种基于yolov5的前列腺超声图像辅助诊断方法及系统，利用人工智能方法根据超声图像序列自动计算关键帧中前列腺区域位置、体积、质量等辅助诊断信息。


技术实现要素：

[0005]
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于yolov5的前列腺超声影像辅助诊断方法及系统，所述辅助诊断方法构建前列腺超声图像数据集，利用yolov5模型训练前列腺区域检测模型，同时结合关键帧定位计算超声图像序列中前列腺图像关键帧，进而获得前列腺体积和质量辅助诊断信息。所述辅助诊断方法及系统能对各种超声图像设备采集的前列腺图像序列进行实时检测，并给出辅助诊断信息，提高前列腺区域定位和体积计算的准确率，能满足实际临床工作中的智能辅助诊断需求。
[0006]
本发明解决所述问题所采用的技术方案是，
[0007]
第一方面，本发明提供一种基于yolov5的前列腺超声影像辅助诊断方法，其特征在于，所述辅助诊断方法作为辅助手段，不直接进行诊断治疗，包括以下内容：
[0008]
构建标注标签分为横切角度前列腺和侧切角度前列腺两类的前列腺超声图像数据集，利用前列腺超声图像数据集训练yolov5模型，获得前列腺区域检测模型；
[0009]
对前列腺超声图像序列中每一帧图像利用前列腺区域检测模型进行处理，得到检测矩形框、置信度以及横切或侧切的类别，设定横切置信度阈值和侧切置信度阈值，
[0010]
对分类为横切的前列腺超声图像序列中的每一帧图像，取置信度大于横切置信度阈值且前列腺区域宽度最大的图像帧作为横切关键帧；
[0011]
对分类为侧切的前列腺超声图像序列中的每一帧图像，取置信度大于侧切置信度阈值且前列腺区域面积最大的图像帧作为侧切关键帧；
[0012]
利用横切关键帧中前列腺检测矩形框区域的宽度作为前列腺横径，利用侧切关键帧中前列腺检测矩形框区域对角线计算前列腺上下径和前后径，进而获得前列腺的体积和质量。
[0013]
进一步地，所述前列腺的上下径为侧切关键帧中前列腺检测矩形框区域对角线长度的9/10，所述前列腺的前后径为侧切关键帧中前列腺检测矩形框区域对角线长度。
[0014]
进一步地，所述前列腺的体积按照下式获得：
[0015][0016]
其中pw为前列腺横径图像像素长度、p
h1
为前列腺上下径图像像素长度，p
h2
为前列腺前后径图像像素长度，pixel
dis
为图像坐标像素点代表的真实距离度量。
[0017]
基于yolov5的前列腺超声图像辅助诊断方法，该方法的具体步骤是：
[0018]
第一步：构建前列腺超声图像数据集
[0019]
1.1原始数据获取：通过实际临床超声诊断过程，获取不同患者的前列腺超声图像数据，前列腺超声图像数据包含横切和侧切两种角度；
[0020]
1.2图像数据归一化：对获取的步骤1.1的超声图像进行预处理，去除超声图像中患者信息，并将所有超声图像统一归一化大小为1280
×
960；
[0021]
1.3标注：利用labelimg标注软件对所有超声图像进行标注，标注标签分为横切角度前列腺和侧切角度前列腺两类，构建前列腺超声图像数据集；
[0022]
1.4数据集划分：将前列腺超声图像数据集按照6:2:2的比例划分为训练集、验证集和测试集；
[0023]
第二步：yolov5模型训练
[0024]
2.1训练集图像样本数据预处理：
[0025]
①
对训练集中所有图像数据采用mosaic进行数据增强，mosaic处理采用4张图片，通过随机缩放、随机裁剪、随机排布的方式进行拼接；
[0026]
②
对训练集中标注矩形框结果利用k-means算法进行处理，并利用遗传算法进行迭代优化，优化后得到n个初始锚框；
[0027]
③
将所有图像自适应缩放到640
×
640，用于yolov5模型的训练；
[0028]
2.2模型训练初始化：
[0029]
①
初始化yolov5模型预训练权重；
[0030]
②
将预处理完成的训练集图像数据设置为yolov5模型的训练样本；
[0031]
③
设置yolov5模型训练轮数(epoch)，输入图像批次数量(batch-size)，初始学习率以及梯度下降优化算法；
[0032]
2.3模型训练：
[0033]
将经过预处理的训练样本输入到初始化参数设定好后的yolov5模型中，yolov5模型主要分为backbone、neck和prediction三部分；backbone用于深度特征提取，主要由focus模块和csp模块组成；neck用于特征的拼接融合，包括fpn和pan模块；prediction为输出端，处理neck拼接好的深度特征，使用ciou_loss完成预测矩形框的损失约束，最后利用nms完成预测矩形框的精确筛选；训练过程中每迭代一次，经过backbone、neck和prediction处理，输出前列腺区域位置、类别和置信度预测值，并将将产生的预测值和标注信息对比产生loss值，然后进行反向传播，更新backbone网络的参数，直至loss值下降到预期设定的精度阈值，yolov5模型训练完成；同时每完成一个轮次训练，利用验证集验证模型训练的精度；
[0034]
2.4模型测试：
[0035]
将测试集输入到上一步骤中完成训练的yolov5模型中，得到测试集样本的预测值，并与测试集中的真实标注信息对比，测试yolov5模型检测的可靠性，对于前列腺横切超声图像和侧切超声图像，当检测概率大于0.9，且回归矩形框区域与真实矩形框区域iou大于0.9时，判定训练的yolov5模型可靠，获得前列腺区域检测模型；
[0036]
第三步：前列腺超声图像序列辅助诊断
[0037]
3.1前列腺区域定位：
[0038]
利用前列腺区域检测模型完成待辅助诊断的前列腺超声图像序列中前列腺区域的检测定位；对前列腺超声图像序列中每一帧图像利用前列腺区域检测模型进行处理，得到检测矩形框、置信度以及类别，类别为横切或侧切；判定为横切则处理的为前列腺超声横切图像序列，判定为侧切则处理的为前列腺超声侧切图像序列；
[0039]
3.2前列腺关键帧筛选：
[0040]
设定横切置信度阈值和侧切置信度阈值，对分类为横切的前列腺超声图像序列中的每一帧图像，取置信度大于横切置信度阈值且前列腺区域宽度最大的图像帧作为横切关键帧；
[0041]
对分类为侧切的前列腺超声图像序列中的每一帧图像，取置信度大于侧切置信度阈值且前列腺区域面积最大的图像帧作为侧切关键帧；筛选出前列腺超声图像序列中的关键帧，即前列腺区域边缘轮廓清晰，能够说明前列腺器官形态的图像帧。
[0042]
3.3辅助诊断参数计算：
[0043]
对于待辅助诊断的前列腺超声图像序列，利用横切关键帧中前列腺检测矩形框区域的宽度作为前列腺横径，利用侧切关键帧中前列腺检测矩形框区域对角线计算前列腺的上下径和前后径，进而获得前列腺的体积和质量。
[0044]
第二方面，本发明提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现所述的辅助诊断方法。
[0045]
第三方面，本发明提供一种便携式超声设备，所述超声设备中加载有所述的辅助
诊断方法。
[0046]
第四方面，本发明提供一种前列腺超声图像辅助诊断系统，所述系统包括：
[0047]
数据获取模块，用于获取前列腺超声图像序列；
[0048]
前列腺超声图像数据集，标注有横切角度前列腺和侧切角度前列腺两类的不同患者的超声图像；
[0049]
前列腺区域检测模型，利用前列腺超声图像数据集训练目标检测模型获得；
[0050]
横切关键帧提取模块，用于基于前列腺区域检测模型输出分类为横切的前列腺超声图像序列中的每一帧图像，取置信度大于横切置信度阈值且前列腺区域宽度最大的图像帧作为横切关键帧；
[0051]
侧切关键帧提取模块，用于基于前列腺区域检测模型输出分类为侧切的前列腺超声图像序列中的每一帧图像，取置信度大于侧切置信度阈值且前列腺区域面积最大的图像帧作为侧切关键帧；
[0052]
前列腺横径获取模块，用于提取横切关键帧的前列腺检测矩形框区域的宽度，获得前列腺横径；
[0053]
前列腺上下径和前后径获取模块，根据侧切关键帧中前列腺检测矩形框区域对角线获得前列腺上下径和前后径；
[0054]
前列腺的体积计算模块，用于根据前列腺横径、前列腺上下径和前后径获得前列腺的体积，并能根据体积进一步获得前列腺的质量。
[0055]
进一步地，所述目标检测模型为包括yolov5模型、yolov7模型在内的yolo系列模型，或者r-cnn系列模型等。
[0056]
进一步地，所述横切置信度阈值和侧切置信度阈值设置为0.9-0.95，横切置信度阈值和侧切置信度阈值可相同也可不同，可依据实际情况进行设置。
[0057]
与现有技术相比，本发明的有益效果是：
[0058]
本发明基于yolov5目标检测模型，在构建前列腺超声图像数据集的基础上，训练了可以完成前列腺区域检测定位的前列腺区域检测模型，实现了超声图像序列前列腺区域的智能自动定位；同时利用关键帧检测结合前列腺区域定位，本发明可以自动定位前列腺关键帧并计算前列腺的体积和质量，完成了辅助诊断信息计算，临床中可以提供有效的辅助诊断信息。同时本发明可以直接应用便携式超声设备，相比传统设备需要有经验的超声医师进行操作限制，本发明在采集超声图像序列的基础上可以自动给出辅助诊断信息，提高超声诊断的工作效率。
[0059]
本发明方法及系统能用于前列腺增生的辅助诊断。
附图说明
[0060]
下面结合附图和实施例对本发明进一步说明。
[0061]
图1是本发明一种实施例基于yolov5的前列腺超声影像辅助诊断方法的流程示意图。
[0062]
图2是本发明方法中前列腺超声图像序列关键帧筛选流程示意图。
具体实施方式
[0063]
图1所示实施例表明，本发明方法的流程为：构建前列腺超声图像数据集
→
yolov5模型训练
→
前列腺超声图像序列辅助诊断。其中构建前列腺超声图像数据集包括原始数据获取、图像数据归一化、标注和数据集划分；yolov5模型训练包括图像数据预处理、模型初始化、模型训练和模型测试；前列腺超声图像序列辅助诊断包括前列腺区域定位、前列腺关键帧筛选和辅助诊断参数计算。
[0064]
图2所示实施例表明，本发明中前列腺关键帧筛选过程在完成yolov5模型训练测试的基础上，对原始前列腺超声图像序列利用训练好的yolov5模型进行处理，得到前列腺超声图像序列定位结果，定位结果包括置信度、定位矩形框和类别，对每一帧图像进行置信度筛选，置信度大于0.9，同时横切超声图像定位矩形宽度最大或侧切超声图像定位矩形区域面积最大，则为前列腺超声图像序列中的横切角度和侧切角度的关键帧。
[0065]
实施例1
[0066]
本发明基于yolov5的前列腺超声图像辅助诊断方法，该方法的具体步骤是：
[0067]
第一步：构建前列腺超声图像数据集
[0068]
1.1原始数据集获取：通过实际临床超声诊断过程，获取前列腺超声图像数据，超声图像数据包含横切和侧切两种角度，实际数据获取来自国内多家三甲医院，图像数据已经过脱敏处理，数据总量包含1783名患者的前列腺横切和侧切超声图像，图像数据总量共计3566张。
[0069]
1.2图像数据归一化：对获取的原始超声图像进行预处理，去除超声图像中患者信息，并将所有超声图像统一归一化大小为1280
×
960。
[0070]
1.3标注：利用labelimg标注软件对所有超声图像进行标注，标注标签分为横切角度前列腺和侧切角度前列腺两类，即对于横切角度的超声图像标注前列腺矩形区域，标签为“front”，表示横切角度的前列腺位置；对于侧切角度的超声图像标注前列腺矩形区域，标签为“side”，表示侧切角度的前列腺位置。
[0071]
1.4数据集划分：在标注后，将前列腺超声图像数据集按照6:2:2的比例划分为训练集、验证集和测试集，划分过程中横切和侧切图像等比例划分，即训练集、验证集和测试集数量分别为2140张、713张和713张。
[0072]
第二步：yolov5模型训练
[0073]
2.1训练集图像样本数据预处理：
[0074]
①
对训练集中所有图像数据采用mosaic进行数据增强，mosaic处理采用4张图片，通过随机缩放、随机裁剪、随机排布的方式进行拼接。
[0075]
②
对训练集中标注矩形框结果利用k-means算法进行处理，并利用遗传算法进行迭代优化，优化后得到n个初始锚框，处理后选择n＝9，即初始锚框数量等于9。
[0076]
③
将所有图像自适应缩放到640
×
640，用于yolov5模型的训练。
[0077]
2.2模型训练初始化
[0078]
①
初始化yolov5模型预训练权重，采用基础的yolov5结构。
[0079]
②
将预处理完成的训练集图像数据设置为yolov5模型的训练样本。
[0080]
③
设置yolov5模型训练轮数(epoch)，输入图像批次数量(batch-size)，初始学习率以及梯度下降优化算法，训练轮数设定为80，batch-size设置为128，初始学习率设定为
0.001，利用adam梯度下降优化算法，采用双gpu训练，gpu型号为nvidia rtx a5500。
[0081]
2.3模型训练
[0082]
将经过预处理的训练样本集输入到初始化参数设定好后的yolov5中，yolov5模型主要分为backbone、neck和prediction三部分。其中backbone用于深度特征提取，主要由focus模块和csp模块组成；neck用于特征的拼接融合，包括fpn和pan模块；prediction为输出端，处理neck拼接好的深度特征，使用ciou_loss完成预测矩形框的损失约束，最后利用nms完成预测矩形框的精确筛选。训练过程中每迭代一次，经过backbone、neck和prediction处理，输出前列腺区域位置、类别和置信度预测值，并将将产生的预测值和标注信息对比产生loss值，然后进行反向传播，更新backbone网络的参数，直至loss值下降到预期设定的阈值，yolov5模型训练完成。同时每完成一个轮次训练，利用验证集验证模型训练的精度。具体ciou_loss的计算方法如公式(1)：
[0083][0084]
其中b为预测矩形框，w为预测矩形框的宽度，h为预测矩形框的高度，b
gt
为矩形框真值，w
gt
为矩形框的宽度真值，h
gt
为矩形框的高度真值，ρ2(c,c
gt
)是矩形框中心真值(c
gt
)与预测矩形框中心(c)的欧氏距离，d2是矩形框真值和预测矩形框对角线距离的平方。
[0085]
2.4模型测试
[0086]
将测试集样本输入到上一步骤中完成训练的yolov5模型中，得到测试集样本的预测值，并与测试集中的真实标注信息对比，测试yolov5模型检测的可靠性，对于前列腺横切超声图像和侧切超声图像，当检测概率大于0.9，且回归矩形框区域与真实矩形框区域iou大于0.9时，判定训练的yolov5模型可靠；
[0087]
第三步：前列腺超声图像辅助诊断
[0088]
辅助诊断过程处理前列腺超声图像序列，分为横切角度和侧切角度，具体流程如下：
[0089]
3.1前列腺区域定位
[0090]
辅助诊断过程处理前列腺超声图像序列，首先利用上一步训练好的yolov5模型完成前列腺区域的检测定位。对前列腺超声图像序列中每一帧图像利用训练好的yolov5模型进行处理，得到检测矩形框、置信度以及类别(类别分为横切或侧切，判定为横切则处理的为前列腺超声横切图像序列，判定为侧切则处理的为前列腺超声侧切图像序列)。
[0091]
3.2前列腺关键帧筛选
[0092]
筛选出前列腺超声图像序列中的关键帧，即前列腺区域边缘轮廓清晰，能够说明前列腺器官形态的图像帧。关键帧筛选利用3.1中每一帧图像yolov5处理得到的置信度、检测矩形框和类别，对于横切图像序列中的每一帧图像，取置信度大于设定横切置信度阈值且前列腺区域宽度最大的图像帧最为横切关键帧；对于侧切图像序列中的每一帧图像，取置信度大于设定侧切置信度阈值且前列腺区域面积最大的图像帧最为侧切关键帧。关键帧筛选过程如公式(2)所示：
[0093][0094]
其中frame
key
为前列腺超声图像序列中的关键帧，confidence为置信度，rect
width
为前列腺定位矩形框宽度，rect
area
为前列腺定位矩形面积，front和side为定位类别标签。
[0095]
3.3辅助诊断参数计算
[0096]
在得到前列腺超声图像序列中横切关键帧和侧切关键帧基础上，完成前列腺体积和质量两种诊断信息参数的计算，其中利用横切关键中前列腺矩形区域的宽度作为前列腺横径，利用侧切关键帧中前列腺矩形区域对角线计算前列腺的上下径和前后径，2.述前列腺的上下径为侧切关键帧中前列腺检测矩形框区域对角线长度的9/10，所述前列腺的前后径为侧切关键帧中前列腺检测矩形框区域对角线长度。通过图像标定将图像坐标转换为世界坐标，图像坐标转换公式为式(3)所示，利用公式(4)计算得出前列腺的体积和质量：
[0097][0098]
其中pixel
dis
为图像坐标像素点代表的真实距离度量，单位为cm/pixel，distance为图像刻度的真实距离，单位为厘米(cm)，pixel
num
为图像刻度的像素长度。
[0099][0100]
其中pw为前列腺横径图像像素长度、p
h1
为前列腺上下径图像像素长度，p
h2
为前列腺前后径图像像素长度，pixel
dis
为像素点真实距离度量；vol为前列腺的体积。
[0101]
根据前列腺的体积可进一步计算出前列腺的质量。
[0102]
本发明未述及之处适用于现有技术。

技术特征：
1.一种基于yolov5的前列腺超声图像辅助诊断方法，其特征在于，所述辅助诊断方法包括以下内容：构建标注标签分为横切角度前列腺和侧切角度前列腺两类的前列腺超声图像数据集，利用前列腺超声图像数据集训练yolov5模型，获得前列腺区域检测模型；对前列腺超声图像序列中每一帧图像利用前列腺区域检测模型进行处理，得到检测矩形框、置信度以及横切或侧切的类别，设定横切置信度阈值和侧切置信度阈值，对分类为横切的前列腺超声图像序列中的每一帧图像，取置信度大于横切置信度阈值且前列腺区域宽度最大的图像帧作为横切关键帧；对分类为侧切的前列腺超声图像序列中的每一帧图像，取置信度大于侧切置信度阈值且前列腺区域面积最大的图像帧作为侧切关键帧；利用横切关键帧中前列腺检测矩形框区域的宽度作为前列腺横径，利用侧切关键帧中前列腺检测矩形框区域对角线计算前列腺上下径和前后径，进而获得前列腺的体积和质量。2.根据权利要求1所述的辅助诊断方法，其特征在于，所述前列腺的上下径为侧切关键帧中前列腺检测矩形框区域对角线长度的9/10，所述前列腺的前后径为侧切关键帧中前列腺检测矩形框区域对角线长度。3.根据权利要求1所述的辅助诊断方法，其特征在于，所述前列腺的体积按照下式获得：其中p
w
为前列腺横径图像像素长度、p
h1
为前列腺上下径图像像素长度，p
h2
为前列腺前后径图像像素长度，pixel
dis
为图像坐标像素点代表的真实距离度量。4.一种基于yolov5的前列腺超声图像辅助诊断方法，该方法的具体步骤是：第一步：构建前列腺超声图像数据集1.1原始数据获取：通过实际临床超声诊断过程，获取不同患者的前列腺超声图像数据，前列腺超声图像数据包含横切和侧切两种角度；1.2图像数据归一化：对获取的步骤1.1的超声图像进行预处理，去除超声图像中患者信息，并将所有超声图像统一归一化大小为1280
×
960；1.3标注：利用labelimg标注软件对所有超声图像进行标注，标注标签分为横切角度前列腺和侧切角度前列腺两类，构建前列腺超声图像数据集；1.4数据集划分：将前列腺超声图像数据集按照6:2:2的比例划分为训练集、验证集和测试集；第二步：yolov5模型训练2.1训练集图像样本数据预处理：
①
对训练集中所有图像数据采用mosaic进行数据增强，mosaic处理采用4张图片，通过随机缩放、随机裁剪、随机排布的方式进行拼接；
②
对训练集中标注矩形框结果利用k-means算法进行处理，并利用遗传算法进行迭代优化，优化后得到n个初始锚框；
③
将所有图像自适应缩放到640
×
640，用于yolov5模型的训练；
2.2模型训练初始化：
①
初始化yolov5模型预训练权重；
②
将预处理完成的训练集图像数据设置为yolov5模型的训练样本；
③
设置yolov5模型训练轮数(epoch)，输入图像批次数量(batch-size)，初始学习率以及梯度下降优化算法；2.3模型训练：将经过预处理的训练样本输入到初始化参数设定好后的yolov5模型中，yolov5模型主要分为backbone、neck和prediction三部分；backbone用于深度特征提取，主要由focus模块和csp模块组成；neck用于特征的拼接融合，包括fpn和pan模块；prediction为输出端，处理neck拼接好的深度特征，使用ciou_loss完成预测矩形框的损失约束，最后利用nms完成预测矩形框的精确筛选；训练过程中每迭代一次，经过backbone、neck和prediction处理，输出前列腺区域位置、类别和置信度预测值，并将将产生的预测值和标注信息对比产生loss值，然后进行反向传播，更新backbone网络的参数，直至loss值下降到预期设定的精度阈值，yolov5模型训练完成；同时每完成一个轮次训练，利用验证集验证模型训练的精度；2.4模型测试：将测试集输入到上一步骤中完成训练的yolov5模型中，得到测试集样本的预测值，并与测试集中的真实标注信息对比，测试yolov5模型检测的可靠性，对于前列腺横切超声图像和侧切超声图像，当检测概率大于0.9，且回归矩形框区域与真实矩形框区域iou大于0.9时，判定训练的yolov5模型可靠，获得前列腺区域检测模型；第三步：前列腺超声图像序列辅助诊断3.1前列腺区域定位：利用前列腺区域检测模型完成待辅助诊断的前列腺超声图像序列中前列腺区域的检测定位；对前列腺超声图像序列中每一帧图像利用前列腺区域检测模型进行处理，得到检测矩形框、置信度以及类别，类别为横切或侧切；3.2前列腺关键帧筛选：设定横切置信度阈值和侧切置信度阈值，对分类为横切的前列腺超声图像序列中的每一帧图像，取置信度大于横切置信度阈值且前列腺区域宽度最大的图像帧作为横切关键帧；对分类为侧切的前列腺超声图像序列中的每一帧图像，取置信度大于侧切置信度阈值且前列腺区域面积最大的图像帧作为侧切关键帧；3.3辅助诊断参数计算：对于待辅助诊断的前列腺超声图像序列，利用横切关键帧中前列腺检测矩形框区域的宽度作为前列腺横径，利用侧切关键帧中前列腺检测矩形框区域对角线计算前列腺的上下径和前后径，进而获得前列腺的体积和质量。5.一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-4任一所述的辅助诊断方法。6.一种便携式超声设备，其特征在于，所述超声设备中加载有权利要求1-4任一所述的辅助诊断方法。7.一种前列腺超声图像辅助诊断系统，其特征在于，所述系统包括：
数据获取模块，用于获取前列腺超声图像序列；前列腺超声图像数据集，标注有横切角度前列腺和侧切角度前列腺两类的不同患者的超声图像；前列腺区域检测模型，利用前列腺超声图像数据集训练目标检测模型获得；横切关键帧提取模块，用于基于前列腺区域检测模型输出分类为横切的前列腺超声图像序列中的每一帧图像，取置信度大于横切置信度阈值且前列腺区域宽度最大的图像帧作为横切关键帧；侧切关键帧提取模块，用于基于前列腺区域检测模型输出分类为侧切的前列腺超声图像序列中的每一帧图像，取置信度大于侧切置信度阈值且前列腺区域面积最大的图像帧作为侧切关键帧；前列腺横径获取模块，用于提取横切关键帧的前列腺检测矩形框区域的宽度，获得前列腺横径；前列腺上下径和前后径获取模块，根据侧切关键帧中前列腺检测矩形框区域对角线获得前列腺上下径和前后径；前列腺的体积计算模块，用于根据前列腺横径、前列腺上下径和前后径获得前列腺的体积，并能根据体积进一步获得前列腺的质量。8.根据权利要求7所述的前列腺超声图像辅助诊断系统，其特征在于，所述目标检测模型为包括yolov5模型、yolov7模型在内的yolo系列模型，或者r-cnn系列模型。9.根据权利要求7所述的前列腺超声图像辅助诊断系统，其特征在于，所述横切置信度阈值和侧切置信度阈值设置为0.9-0.95。

技术总结
本发明为一种基于YOLOv5的前列腺超声图像辅助诊断方法及系统，所述辅助诊断方法构建前列腺超声图像数据集，利用YOLOv5模型训练前列腺区域检测模型，同时结合关键帧定位计算超声图像序列中前列腺图像关键帧，进而获得前列腺体积和质量辅助诊断信息。所述辅助诊断方法及系统能对各种超声图像设备采集的前列腺图像序列进行实时检测，并给出辅助诊断信息，提高前列腺区域定位和体积计算的准确率，能满足实际临床工作中的智能辅助诊断需求。本发明在采集超声图像序列的基础上可以自动给出辅助诊断信息，提高超声诊断的工作效率。提高超声诊断的工作效率。提高超声诊断的工作效率。


技术研发人员：张昌文 王丽 郭嘉宁 单坤 杜娥 孙晓宇 李召鹏
受保护的技术使用者：天津医科大学第二医院
技术研发日：2023.06.26
技术公布日：2023/9/19