(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 202210293137.5 (22)申请日 2022.03.24 (71)申请人 什维新智医疗科技 （上海） 有限公司 地址 201114 上海市闵行区陈行公路238 8 号3号楼101-8室 (72)发明人 何敏亮　 (74)专利代理 机构 上海泰博知识产权代理有限 公司 31451 专利代理师 钱文斌 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种用于超 声图像的标尺的识别方法 (57)摘要 本发明涉及一种用于超声图像的标尺的识 别方法， 包括： 获取超声图像； 通过第一检测网络 检测所述超声图像中的标尺； 所述第一检测网络 包括依次连接的卷积神经网络XDNetV2 ‑D‑ Ruler、 特征金字塔网络以及两个并行的分类网 络和回归网络； 所述卷积神经网络XDNetV2 ‑D‑ Ruler用于提取超声图像的特征， 所述特征金字 塔网络用于对提取出的特征进行强化与融合， 所 述分类网络用于根据强化与融合后的特征识别 出超声图像的标尺， 所述回归网络用于对超声图 像的标尺区域进行标识； 本发明能够有效检测超 声图像的标尺。 权利要求书2页 说明书6页 附图5页 CN 114782319 A 2022.07.22 CN 114782319 A 1.一种用于超声图像的标尺的识别方法， 其特 征在于， 包括： 获取超声图像； 通过第一检测网络检测所述超声图像中的标尺； 所述第 一检测网络包括依次连接的卷 积神经网络XDNetV2 ‑D‑Ruler、 特征金字塔网络以及两个并行的分类网络和回归网络； 所述 卷积神经网络XDNetV2 ‑D‑Ruler用于提取超声图像的特征， 所述特征金字塔网络用于对提 取出的特征进 行强化与融合， 所述分类网络用于根据强化与融合后的特征识别出超声图像 的标尺， 所述回归网络用于对 超声图像的标尺区域进行 标识。 2.根据权利要求1所述的用于超声图像的标尺的识别方法， 其特征在于， 所述卷积神经 网络XDNetV2 ‑D‑Ruler包括依次连接的第一特征单元、 第二特征单元、 第三特征单元、 第四 特征单元、 2个第五特征单元和第六特征单元， 其中， 所述第一特征单元包括依次连接的第 七特征单元、 2个第九特征单元、 第八特征单元、 第九特征单元和第八特征单元； 所述第二特 征单元包括依次连接的第五特征单元、 第九特征单元、 第八特征单元、 第九特征单元和第八 特征单元； 所述第三特征单元包括依次连接的第五特征单元、 第九特征单元、 第八特征单元 和第九特征单元； 所述第四特征单元包括依 次连接的第 五特征单元、 第九特征单元和第八 特征单元。 3.根据权利要求2所述的用于超声图像的标尺的识别方法， 其特征在于， 所述第七特征 单元包括依次连接的深度可分离卷积层、 批归一 化层、 激活层、 卷积层和激活层； 所述第八特征单元包括依次连接的层归一化层、 注意力模块和相加层， 并且第八特征 单元中层归一 化层的输入和相加层连接； 所述第九特征单元包括依次连接的激活层、 批归一化层、 深度可分离卷积层、 激活层、 批归一化层、 深度可分离卷积层和相加层， 并且第九特征单元中激活层的输入和相加层连 接。 4.根据权利要求2所述的用于超声图像的标尺的识别方法， 其特征在于， 所述第五特征 单元包括依次连接的卷积层、 激活层、 层归一化层、 注意力模块和相加层， 并且第 五特征单 元中层归一 化层的输入和相加层连接； 所述第六 特征单元包括依次连接的卷积层、 批归一 化层和激活层。 5.根据权利要求3 ‑4所述的用于超声图像的标尺的识别方法， 其特征在于， 所述注意力 模块包括相对位置编码层和3个深度可分离卷积层， 其中， 第2个深度可分离层与第3个深度 可分离层进行点乘得到第一点乘结果， 第3个深度可分离层和相对位置编码层进行点乘得 到第二点乘结果， 所述第一点乘结果和第二点乘结果相加后与注意力激活层连接， 激活层 的输出和第1个深度可分离层进行点乘后与重塑层连接 。 6.根据权利要求2所述的用于超声图像的标尺的识别方法， 其特征在于， 还包括： 通过 第二检测网络检测所述标尺上的单位刻度； 所述第二检测网络包括依次连接的卷积神经网 络XDNetV2 ‑D‑Marker、 特征金字塔网络以及两个并行的分类网络和回归网络； 所述卷积神 经网络XDNetV2 ‑D‑Marker用于提取超声图像的特征， 所述特征金字塔网络用于对提取出的 特征进行强化与融合， 所述分类网络用于根据强化与融合后的特征识别出标尺上的单位刻 度， 所述回归网络用于对单位刻度进行 标识。 7.根据权利要求6所述的用于超声图像的标尺的识别方法， 其特征在于， 所述卷积神经 网络XDNetV2 ‑D‑Marker包括依次连接的第十特征单元、 第三特征单元、 第二特征单元、 第三权　利　要　求　书 1/2 页 2 CN 114782319 A 2特征单元和3个第五特 征单元。 8.根据权利要求6所述的用于超声图像的标尺的识别方法， 其特征在于， 还包括： 计算 所述单位刻度间的像素数， 得到单位刻度与像素数 的对应关系， 根据所述单位刻度与像素 数的对应关系来判断超声图像中各组织的尺寸。权　利　要　求　书 2/2 页 3 CN 114782319 A 3