(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211155349.3 (22)申请日 2022.09.22 (71)申请人 安徽省儿童医院 （安徽省新 华医院、 安徽省儿科医学研究所、 复旦大 学 附属儿科医院安徽医院） 地址 230051 安徽省合肥市包河区望江东 路39号 申请人 中国科学技术大学 (72)发明人 张思成　方继红　徐静远　孙军　 刘传彬　谢洪涛　蒋健一　 (74)专利代理 机构 北京科家知识产权代理事务 所(普通合伙) 11427 专利代理师 戴明虎 (51)Int.Cl. G06T 7/00(2017.01)G06N 3/04(2006.01) G06V 10/44(2022.01) G06V 10/54(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 基于经典Graf的DDH超声影像人工智能诊断 系统及方法 (57)摘要 本发明公开了基于经典Graf的DDH超声影像 人工智能诊断系统及方法， 该诊断系统包括分类 器， 用于从超声影像中识别标准截面； 回归器， 用 于定位标准截面中关键点的位置信息， 并利用关 键点的位置计算Graf方法需要的软骨顶线夹角 α、 骨顶线夹角β， 判断DDH的等级； 所述分类器 识别标准截面的方法为： 对从超声影像中截取的 特征图像进行特征提取与编码， 编码后的特征图 进行池化操作转化为特征向量， 该特征向量经过 全连接层后判断该特征图是否为标准截面。 本发 明的诊断系统能够对髋关节未成熟儿童标准髋 关节超声影像片段进行筛查， 且诊断更快速、 客 观、 准确。 权利要求书2页 说明书6页 附图4页 CN 115239720 A 2022.10.25 CN 115239720 A 1.基于经典Graf的D DH超声影 像人工智能诊断系统， 其特 征在于， 包括： 分类器， 用于从超声影 像中识别标准截面； 回归器， 用于定位标准截面中关键点的位置信息， 并利用关键点的位置信息计算Graf 方法需要的软骨顶线夹角 α 、 骨顶线夹角 β， 判断D DH的等级。 2.根据权利要求1所述的基于经典Graf的DDH超声影像人工智能诊断系统， 其特征在 于， 所述分类器识别标准截面的方法为： 对从超声影像中截取的特征图像进行特征提取与 编码， 编码后的特征图像进行池化操作转化为特征向量， 该特征向量经过全连接层后判断 该特征图像是否为标准截面。 3.根据权利要求2所述的基于经典Graf的DDH超声影像人工智能诊断系统， 其特征在 于， 所述特 征图像的特 征提取的处 理方法为： F_{n+1}=Po ol(BN(Conv(F_{n}) )) 式中： F_{n}表示第n阶段的特征； Pool表示2*2的最大值池化； B N表示批正则化， Conv表 示卷积操作； 编码后的特 征图进行池化操作转 化为特征向量的方法为： f=AvgPool(F_m) 式中： AvgPool表示全局平均池化； m为输入图像进行阶段提取的总数； F_m表示输入图 像进行m个阶段的特 征提取后最终 获得的特向特 征。 4.根据权利要求2所述的基于经典Graf的DDH超声影像人工智能诊断系统， 其特征在 于， 所述全连接层通过权 重和特征向量完成点积， 并得到代 表置信系数的数值： p’=Sigmoid(w*f) 式中： Sigmo id表示sigmo id激活函数， w是全连接 权重， p’是最终预测的置信度。 5.根据权利要求4所述的基于经典Graf的DDH超声影像人工智能诊断系统， 其特征在 于， 所述sigmoid激活函数中的参数采用梯度下降法确定取值， 所述梯度下降法依据的损失 函数为： Loss=pLog(p’)+(1‑p)Log(1‑p’) 式中： p是代表该特征图像是否为标准截面， 为标准截面时取值1， 为非标准截面时取值 0。 6.根据权利要求1所述的基于经典Graf的DDH超声影像人工智能诊断系统， 其特征在 于， 所述回归器定位标准截面中关键点的位置信息的方法为： S11： 对从超声影 像中截取的特 征图像进行 特征提取后得到的特 征F进行3层反卷积： F^{i+1}=ReLU(BN(Deco nv(F^{i}) )) 式中： F^i表示经过i次反卷积层获得的特征图， ReLU是激活函数， Deconv表示反卷积 层； S12： 对经3层反卷积后获得的特 征图F^3进行1*1的卷积得到每 个关键点的热力图H ’； S13： 对于标准截面的关键点的位置， 利用高斯 函数生成对应的目标 热力图： H(i,j)=exp{ ‑((i‑i’)^2+(j‑j’)^2)/(2* δ^2)} 式中： i,j表示目标热力图上的坐标， i ’,j’表示标准截面的关键点位置， δ表示高斯函 数的衰减程度， H表示目标的热力图； S14： 使用目标的热力图H和回归器输出的热力图H ’来计算损失函数来优化神经网络：权　利　要　求　书 1/2 页 2 CN 115239720 A 2Loss=MSE(H,H’) 式中： MSE表示均方误差函数。 7.根据权利要求1所述的基于经典Graf的DDH超声影像人工智能诊断系统， 其特征在 于， 所述软骨顶线夹角α 为基线和软骨顶线之间的夹角， 所述骨顶线夹角β 为基线和骨顶线 之间的夹角， 所述基线为软骨膜顶点和髂骨缘点所在的直线， 所述骨顶线为髂骨最低点和 髋臼骨性顶点所在的直线， 所述软骨顶线为软骨顶由凹变凸的转折点和盂 唇中心所在的直 线。 8.如权利要求1 ‑7任一项所述的基于经典Graf的DDH超声影像人工智能诊断系 统的诊 断方法， 其特 征在于， 方法步骤如下： S21： 分类 器对从超声影 像中截取的特 征图像进行 特征提取与编码； S22： 分类器将编码后的特 征图像进行池化操作转 化为特征向量； S23： 分类 器将特征向量通过经过全连接层后判断该 特征图像是否为标准截面； S24： 对S23中判断为标准截面的特 征图像进行 上采样； S25： 对上采样的结果用1*1卷积得到热力图， 并将热力图上的响应值进行加权投片， 得 到最终关键点的位置信息； S26： 利用关键点的位置信息计算Graf方法需要的软骨顶线夹角α、 骨顶线夹角β， 判断 DDH的等级。 9.一种处理设备， 其特征在于， 包括存储器及处理器， 所述存储器中存储有至少一种指 令， 所述至少一种指令由所述处 理器加载并执 行， 以实现权利要求8中所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质中存储有至少一条指令， 所 述指令由处 理器加载并执 行以实现权利要求8中所述的方法。权　利　要　求　书 2/2 页 3 CN 115239720 A 3