基于语义分割网络的肝脏病灶图像描述方法

技术领域

本发明涉及图像分割的技术领域，尤其涉及一种基于语义分割网络的肝脏病灶图像描述方法。

背景技术

肝脏疾病的早期诊断对于患者的治疗和康复非常重要。传统的肝脏影像诊断方法主要依赖于医生的经验和手工分析，存在主观性、时间消耗长和易受操作者水平影响的问题。近年来，随着深度学习的发展，基于图像的智能识别算法在医学影像领域取得了显著进展。

肝脏病灶分割和描述是基于超声图像的重要医学图像分析技术，在肝脏疾病诊断中起着关键作用。超声成像是一种无创伤、无辐射、低成本的影像学技术，已成为肝脏疾病的常用检查手段之一。

超声成像通过利用高频声波在人体组织中的传播和反射原理，生成肝脏的实时图像。它能够提供对肝脏内部结构和异常病变的直接观察，具有良好的安全性和可重复性。然而，肝脏超声图像的特点也给病灶分割和描述带来了一些挑战。超声图像往往具有低对比度、噪声干扰和图像模糊等问题，这使得肝脏病灶与周围组织之间的区分变得困难。此外，不同类型的肝脏病变在超声图像中的表现形式各异，如肿块的形状、边界模糊度、内部回声特征等差异较大，增加了准确分割和描述的难度。这导致了对于病灶区域的判断和分析，需要具有较高水平的临床医生，并且保持相对专注的状态下才能，准确和快速的把病灶测量和描述出来。通过深度学习、图像处理等技术的帮助，辅助医生完成这些工作，自动填写病灶尺寸和描述等信息，让医生可以将时间和精力投入到更有价值的诊疗中，同时提升患者的就诊的感受。

发明内容

本发明的目的在于提供一种基于语义分割网络的肝脏病灶图像描述方法以解决现有技术中因主观因素导致病灶分析不准确以及耗费较长诊断时间到患者就诊感受差的问题。

为实现上述发明目的之一，本发明一实施方式提供一种基于语义分割网络的肝脏病灶图像描述方法，所述方法包括：

基于轻量型网络GhostNet搭建Unet语义分割网络，并构建肝脏病灶分割模型；

获取历史肝脏病灶超声图像数据集，输入所述肝脏病灶分割模型进行训练，获得最优分割模型；

基于分割结果，对病灶图像的特征进行描述。

作为本发明一实施方式的进一步改进，所述方法还包括：所述Unet语义分割网络由对称的下采样路径编码器和上采样路径解码器组成；

基于所述轻量型网络GhostNet的Ghost模块搭建所述Unet语义分割网络中编码器和解码器中的卷积单元；

所述Ghost模块用于提取更多的图像特征，包括，

定义输入信息X∈R

将所述输入信息通过一个具有m个滤波器，内核大小为k*x的卷积核f′，得到m个输出特征图Y′，所述输出特征图Y′表示为：

Y′＝X*f′

将所述m个输出特征图Y′通过线性变换得到n个输出特征图Y，其中m×s＝n,n≥m，Y为所述Ghost模块的输出特征；

所述线性变换的公式表示为：

其中，y

作为本发明一实施方式的进一步改进，所述方法还包括：基于所述Ghost模块构建Ghost bottleneck单元；

所述Ghost bottleneck单元由第一Ghost模块、注意力模块和第二Ghost模块串联构成，同时从输入端到输出端存在一个跳跃链接；

所述第一Ghost模块用于扩大通道数，所述注意力模块用于强化Ghost模块的特征提取能力，所述第二Ghost模块用于减少通道数；

在所述第一Ghost模块后应用批量归一化和Hard-swish激活函数，在所述第二Ghost模块后应用批量归一化；

所述激活函数表示为：

作为本发明一实施方式的进一步改进，所述方法还包括：将病灶图像以不同尺度分别输入所述肝脏病灶分割模型，由对应尺度的编码器提取特征图像，再依次通过对应尺度编码器的特征图像解码器，得到最终的输出结果；

所述编码器和所述解码器的尺度包括1、1/2，1/4，1/8和1/16；

所述编码器由2个Ghost bott leneck单元组成一个stage，共5个stage，特征图每通过一个stage下采样2倍；

所述解码器由2个Ghost bott leneck单元组成一个stage，共5个stage，特征图每通过一个stage上采样2倍。

作为本发明一实施方式的进一步改进，所述方法还包括：对所述肝脏病灶分割模型的输入层加入空洞空间卷积池化层ASPP；

其中，编码后尺度为1/16的特征图像在通过所述解码器前需通过所述空洞空间卷积池化层ASPP，其他尺度的特征图像进行延通道维度拼接的操作；

所述空洞空间卷积池化层ASPP包括4个并行的空洞卷积和1个全局平均池化；

所述4个平行的空洞卷积包括1*1的卷积、膨胀系数为3的3*3卷积、膨胀系数为6的3*3卷积和膨胀系数为9的3*3卷积；

所述全局平均池化通过1*1的卷积操作得到上采样；

将四个并行的空洞卷积得到的特征图像以及所述上采样拼接起来，并通过1*1的卷积操作得到最终输出；

所述最终输出包括不同层次的感受野。

作为本发明一实施方式的进一步改进，所述方法还包括：对所述肝脏病灶分割模型进行训练，包括，

对输出尺度为1的结果使用Dice-Loss损失函数和交叉熵损失函数，对其他尺度的输出结果则使用交叉熵损失函数；

所述Dice-Loss损失函数表示为：

其中，X表示真实分割图像的像素标签，Y表示模型预测分割图像的像素类别，|X|和|Y|分别表示X、Y中元素的个数，|X∩Y|表示X和Y之间交集元素的个数；

所述交叉熵损失函数表示为：

其中，M表示类别的数量，y

所述损失函数的权重对应输出图像的尺度分别为1、0.8、0.6、0.4和0.2；

加权融合不同权重的损失函数得到总的Loss损失函数，通过降低所述总的Loss损失函数，得到最优分割模型。

作为本发明一实施方式的进一步改进，所述方法还包括：基于分割结果，对病灶的尺寸进行描述，包括，

基于分割结果得到病灶边缘轮廓点，计算病灶主方向的直线方程，所述主方向的直线方程与病灶轮廓的两个交点为病灶轮廓长轴端点；

在所述长轴端点间的线段中设定一个短轴搜索范围，得到N个待选点坐标，分别计算经过所述待选点坐标计算垂直于长轴的直线方程，所述直线方差与所述病灶轮廓相交得到N组待选短轴端点；计算待选短轴的像素长度，其中距离值最小的为病灶短轴；

计算长短轴与水平直线的夹角，其中夹角小的为横轴，夹角大的为纵轴；通过导入所述病灶图像单个像素的实际长度，得到横轴像素长度距离，并计算得到所述病灶实际横纵轴尺寸。

作为本发明一实施方式的进一步改进，所述方法还包括：基于病灶轮廓，对病灶的边界清晰度进行描述，包括，

将所述病灶轮廓进行外扩操作得到病灶的感兴趣区域，进行灰度化操作，并处理得到目标区域感兴趣图像以及相应的病灶区域掩膜图像；

将所述掩膜图像分别进行腐蚀和膨胀操作，得到所述掩膜图像边缘内的区域和边缘外的区域以及所述掩膜图像的边缘区域；

对所述感兴趣图像使用边缘算法求取边缘图像，结合所述掩膜图像的边缘区域得到病灶轮廓周边区域一定范围内的边缘信息图；

将所述病灶边缘轮廓点输出在一张全零图上，统计非零个数作为病灶边缘总数，以及所述边缘信息图的非零值，计算边缘比率；

结合所述感兴趣图像和所述掩膜图像边缘内的区域，计算得到病灶边缘轮廓内一圈范围内的图像灰度均值；结合所述感兴趣图像和所述掩膜图像边缘外的区域，计算得到病灶边缘轮廓外一圈范围内的图像灰度均值；对两个均值做差并对结果取绝对值，计算边缘差异；

结合所述边缘比率和所述边缘差异判断所述病灶的边界是否清晰。

作为本发明一实施方式的进一步改进，所述方法还包括：基于病灶轮廓，对病灶的形状进行描述，包括，

计算病灶轮廓的凸包特征，得到轮廓的凸包，以及每个凹陷中离相应凸包最远轮廓坐标的凹陷点；

筛选所述凹陷点，计算凹陷点距离凸包的平均距离和最大距离，并判断所述病灶形状是否规则。

作为本发明一实施方式的进一步改进，所述方法还包括：基于分割结果，对病灶的回声类型及回声质地进行描述，包括，

所述回声类型包括强回声、高回声、低回声和无回声；

计算病灶轮廓区域内灰度均值和病灶外接矩形区域内去除掉病灶区域灰度均值的比值，基于所述比值判断所述回声类型；

基于病灶内部灰度特征对所述回声质地进行判断；

计算病灶图像的灰度均值和方差，确定病灶图像的灰度阈值，并根据阈值二值化病灶图像，得到病灶内的相对高亮区域，通过统计所述高亮区域的像素个数和病灶内部的像素个数，得到高亮区域在病灶图像中的占比；

所述病灶图像的熵表示为：

其中，i为像素灰度值，0≤i≤225，p

结合所述高亮区域在病灶图像中的占比、病灶图像的方差和熵判断所述回声质地是否均匀。

与现有技术相比，本发明提供的一种基于语义分割网络的肝脏病灶图像描述方法，通过构建病灶分割模型对肝脏病灶进行分割，并基于分割结果进行描述，提高了肝脏疾病诊断的准确性和可靠性，减少了误判和主观偏差；通过结合深度学习和传统图像处理的优势，充分利用了两者的特点，提高了算法的性能和稳定性；实现了超声图像的自动化处理和分析，减轻了医生的负担，提高了工作效率；病灶描述的结果提供了准确的疾病定位和类型判断，为医生提供更好的治疗方案，改善患者的治疗效果和就诊感受。

附图说明

图1是本发明所述基于语义分割网络的肝脏病灶图像描述方法的整体流程图。

图2是本发明所述基于语义分割网络的肝脏病灶图像描述方法的Ghost模块替换卷积单元的示意图。

图3是本发明所述基于语义分割网络的肝脏病灶图像描述方法的Ghost bottleneck单元示意图。

图4是本发明所述基于语义分割网络的肝脏病灶图像描述方法的病灶分割模型示意图。

图5是本发明所述基于语义分割网络的肝脏病灶图像描述方法的空洞空间卷积池化层ASPP示意图。

图6是本发明所述基于语义分割网络的肝脏病灶图像描述方法的病灶超声图像及描述结果示意图。

图7是本发明所述基于语义分割网络的肝脏病灶图像描述方法的尺寸描述示意图。

图8是本发明所述基于语义分割网络的肝脏病灶图像描述方法的病灶目标区域感兴趣图像和掩膜图像。

图9是本发明所述基于语义分割网络的肝脏病灶图像描述方法的掩膜图像的腐蚀和膨胀图像。

图10是本发明所述基于语义分割网络的肝脏病灶图像描述方法的掩膜图像边缘内的区域、边缘外的区域和边缘的图像。

图11是本发明所述基于语义分割网络的肝脏病灶图像描述方法的病灶边缘总数示意图和病灶边缘示意图。

图12是本发明所述基于语义分割网络的肝脏病灶图像描述方法的病灶形状描述示意图。

图13是本发明所述基于语义分割网络的肝脏病灶图像描述方法的回声质地描述示意图。

具体实施方式

以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

下面详细描述本发明的实施方式，实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

本发明的实施例一中，本发明提供了一种基于语义分割网络的肝脏病灶图像描述方法，如图1所示，所述方法包括：

S1：基于轻量型网络GhostNet搭建Unet语义分割网络，并构建肝脏病灶分割模型；

S2：获取历史肝脏病灶超声图像数据集，输入所述肝脏病灶分割模型进行训练，获得最优分割模型；

S3：基于分割结果，对病灶图像的特征进行描述。

在本发明的一个具体实施方式中，基于轻量型网络GhostNet的Ghost模块搭建Unet语义分割网络中编码器和解码器中的卷积单元，具体为，

Unet是一种用于语义分割任务的深度学习网络架构，由一个编码器和一个解码器组成。编码器部分类似于常见的卷积神经网络，通过一系列卷积和池化操作逐渐减小图像的空间尺寸，提取出图像的高级特征。解码器部分则通过上采样和卷积操作逐渐恢复图像的空间尺寸，并将编码器提取的特征与解码器的特征进行融合，最终生成像素级别的语义分割结果。GhostNet通过Ghost模块和其他轻量化技术的结合，实现了在资源受限的环境下高效的图像分类和目标检测。

具体的，Ghost模块可用于提取更多的图像特征，如图2所示，其实现方式包括，

定义输入信息X∈R

将输入信息通过一个具有m个滤波器，内核大小为k*k的卷积核f′，得到m个输出特征图Y′，输出特征图Y′表示为：

Y′＝X*f′

将m个输出特征图Y′通过线性变换得到n个输出特征图Y，其中m×s＝n,n≥m，Y为Ghost模块的输出特征；

线性变换的公式表示为：

其中，y

在本发明的一个具体实施方式中，基于Ghost模块构建Ghost bottleneck单元，如图3所示，具体为，

Ghost bottleneck单元由第一Ghost模块、注意力模块和第二Ghost模块串联构成，同时从输入端到输出端存在一个跳跃链接；

第一Ghost模块用于扩大通道数，注意力模块用于强化Ghost模块的特征提取能力，第二Ghost模块用于减少通道数；

在第一Ghost模块后应用批量归一化和Hard-swish激活函数，在第二Ghost模块后应用批量归一化；

激活函数表示为：

应说明的是，批量归一化(Batch Normalization)用于对网络的每个层的输入进行归一化处理，将其标准化为零均值和单位方差，有助于加速模型的收敛，提高模型的稳定性和鲁棒性。通过将BN层和Hard-swish激活函数结合使用，BN层可以缓解梯度消失问题，加速训练收敛，并使得Hard-swish的输入分布更加稳定，Hard-swish激活函数在保留ReLU的非线性特性的同时，具有更加平滑的曲线，有助于提高模型的性能和泛化能力。

在Ghost bottleneck单元中加入注意力机制模块，用于强化编码器的特征提取能力，意力机制模块可以选用典型的SE(Squeeze-and-Excitation Networks)、SK(Selective Kernel Networks)等结构，实际使用中，注意力机制的加入可以使得分割的病灶轮廓更加完整和贴合。

在本发明的一个具体实施方式中，将病灶图像以不同尺度分别输入肝脏病灶分割模型，由对应尺度的编码器提取特征图像，再依次通过对应尺度编码器的特征图像解码器，得到最终的输出结果，具体为，

如图4所示，编码器和解码器的尺度包括1、1/2，1/4，1/8和1/16；编码器由2个Ghost bott leneck单元组成一个stage，共5个stage，特征图每通过一个stage下采样2倍；解码器由2个Ghost bott leneck单元组成一个stage，共5个stage，特征图每通过一个stage上采样2倍。

在本发明的一个具体实施方式中，对肝脏病灶分割模型的输入层加入空洞空间卷积池化层ASPP，其中，编码后尺度为1/16的特征图像在通过解码器前需通过空洞空间卷积池化层ASPP，其他尺度的特征图像进行延通道维度拼接的操作；

具体的，如图5所示，空洞空间卷积池化层ASPP包括4个并行的空洞卷积和1个全局平均池化；4个平行的空洞卷积包括1*1的卷积、膨胀系数为3的3*3卷积、膨胀系数为6的3*3卷积和膨胀系数为9的3*3卷积；全局平均池化通过1*1的卷积操作得到上采样；将四个并行的空洞卷积得到的特征图像以及上采样拼接起来，并通过1*1的卷积操作得到最终输出；最终输出包括不同层次的感受野。

在本发明的一个具体实施方式中，对肝脏病灶分割模型进行训练，具体为，

具体的，首先采集肝脏病灶的历史数据，历史数据获取包含尽可能多的肝脏病灶(囊肿、血管瘤、肝癌、强回声灶等)数据集，并对数据进行清洗、数据扩增、数据增强等预处理；数据收集需要采集来自多家，不同地域，不同层级的代表性医疗机构，保证数据的多样性，各类病种类型的病灶图数据分布相对均匀合适。进一步地，对收集到的数据进行清洗，删除年代久远、质量差等不佳数据；另一方面对数据进行脱敏处理，删除图像中有关病人和医院相关信息。进一步地，将包含病灶的超声图像，在线根据病灶的感兴趣区域在一定范围内，按随机像素或病灶尺寸比例，外扩一定尺寸裁出，获得待训练数据；另外对这些数据进行在线数据增强，以获得更多状况的训练数据，增强操作包括按但不限于一定概率水平竖直反转、随机旋转、裁剪、平移、像素值扰动、滤波、加噪等。病灶的感兴趣区域，可以通过前置的目标检测模型获得，或者通过人工框出。

将符合训练要求的病灶图像输入肝脏病灶分割模型进行训练，分割模型的输出采用多分割头的深监督形式，对不同的分割头，按其不同的位置分别设置不同的损失函数，最终甲醛融合这些损失函数，作为最终的优化目标。

如图4所示，在分割模型的网络结构中，Down-Sample 2*(4*、8*、16*)分别代表2倍、4倍、8倍、16倍的下采样，Up-Sample 2*代表2倍上采样，Ghos tbott leneck*2代表使用2个Ghost bott leneck单元，Concatenate代表特征图延通道维度拼接，ASPP代表空洞空间卷积池化层。

具体的，对输出尺度为1的结果使用Dice-Loss损失函数和交叉熵损失函数，对其他尺度的输出结果则使用交叉熵损失函数；

Dice-Loss损失函数表示为：

其中，X表示真实分割图像的像素标签，Y表示模型预测分割图像的像素类别，|X|和|Y|分别表示X、Y中元素的个数，|X∩Y|表示X和Y之间交集元素的个数；

交叉熵损失函数表示为：

其中，M表示类别的数量，y

损失函数的权重对应输出图像的尺度分别为1、0.8、0.6、0.4和0.2；

加权融合不同权重的损失函数得到总的Loss损失函数，通过降低总的Loss损失函数，得到最优分割模型。

在本发明的一个具体实施方式中，如图6所示，为一肝脏病灶超声图像，基于分割结果，对病灶的尺寸进行描述，如图7所示，具体为，

基于分割结果得到病灶边缘轮廓点，计算病灶主方向的直线方程，所述主方向的直线方程与病灶轮廓的两个交点为病灶轮廓长轴端点；

具体的，通过实用PCA主成分分析法计算出病灶的主方向所在的直线方程，其中PCA是一种非监督算法，能够很好的找到样本的方向。

在所述长轴端点间的线段中设定一个短轴搜索范围，得到N个待选点坐标，分别计算经过所述待选点坐标计算垂直于长轴的直线方程，所述直线方差与所述病灶轮廓相交得到N组待选短轴端点；计算待选短轴的像素长度，其中距离值最小的为病灶短轴；

具体的，本发明设定的短轴搜索范围从短轴线段的1/3处始，到2/3处截止；

优选的，在短轴点的实际选区中，为了求得的短轴更符合实际，求的直线方程不仅是垂直于长轴的，而且同时也求出与长轴顺时针夹角为81度、84度、87度、93度、96度、99度的直线方程，当有多组距离相等的最小短轴时，选择离长轴中心点最近且与长轴最垂直的短轴。

进一步的，计算长短轴与水平直线的夹角，其中夹角小的为横轴，夹角大的为纵轴；通过导入所述病灶图像单个像素的实际长度，得到横轴像素长度距离，并计算得到所述病灶实际横纵轴尺寸。

在本发明的一个具体实施方式中，基于病灶轮廓，对病灶的边界清晰度进行描述，具体为，

如图8所示，将病灶轮廓进行外扩操作得到病灶的感兴趣区域，进行灰度化操作，并处理得到目标区域感兴趣图像ROI_Image以及相应的病灶区域掩膜图像Mask_Image；

如图9所示，将所述掩膜图像分别进行腐蚀和膨胀操作，得到腐蚀图像Mask_Erode和膨胀图像Mask_Di late。如图10所示，通过掩膜图像Mask_Image减去腐蚀图像Mask_Erode得到掩膜图像边缘内的区域Mask_In，通过膨胀图像Mask_Di late减去掩膜图像Mask_Image得到掩膜图像边缘外的区域Mask_Out，掩膜图像边缘内的区域Mask_In与掩膜图像边缘外的区域Mask_Out相加得到掩膜图像的边缘区域Mask_Edge；

对感兴趣图像ROI_Image使用边缘算法求取边缘图像Mask_Canny，结合所述掩膜图像的边缘区域Mask_Edge得到病灶轮廓周边区域一定范围内的边缘信息图Mask_Canny_Edge；

优选的，本发明所使用的边缘算法为Canny边缘算法，其中Canny算法需要的低阈值设为30，高阈值设为180。

如图11所示，将所述病灶边缘轮廓点输出在一张全零图上，统计非零个数作为病灶边缘总数EdgeNumber，以及所述边缘信息图Mask_Canny_Edge的非零值DefinitionEdgeNumber，计算边缘比率Defini t ionEdgeRat io；

结合感兴趣图像ROI_Image和掩膜图像边缘内的区域Mask_In，计算得到病灶边缘轮廓内一圈范围内的图像灰度均值InnerAvg；结合感兴趣图像ROI_Image和所述掩膜图像边缘外的区域Mask_Out，计算得到病灶边缘轮廓外一圈范围内的图像灰度均值OuterAvg；对两个均值做差并对结果取绝对值，计算边缘差异Definit ionEdgeDiff；

|InnerAvg-OuterAvg|＝Definit ionEdgeDiff

结合所述边缘比率和所述边缘差异判断所述病灶的边界是否清晰。具体的，当Definit ionEdgeDiff≥10时，边缘清晰；当Definit ionEdgeDiff＜10且DefinitionEdgeRat io＞0.19时，边缘清晰；其他情况的边缘为不清晰。

在本发明的一个具体实施方式中，基于病灶轮廓，对病灶的形状进行描述，具体为，

计算病灶轮廓的凸包特征，得到轮廓的凸包，以及每个凹陷中离相应凸包最远轮廓坐标的凹陷点；

优选的，如图12所示，通过调用开源图像处理库中的凸包检测算法，得到轮廓的凸包，如图黄色轮廓，并得到每个凹陷中离相应凸包最远的轮廓坐标点，如图红色点所示。

筛选所述凹陷点，计算凹陷点距离凸包的平均距离和最大距离，并判断所述病灶形状是否规则。

进一步的，设定距离为5个像素的阈值，来筛选这些凹陷点，进而计算满足条件的凹陷点个数ConcaveNum，凹陷点距离凸包的平均距离ConcaveAvgDepth和最大距离ConcaveMaxDepth，此外，为了消除不同大小的病灶对计算结果的影响，ConcaveAvgDepth和ConcaveMaxDepth分别除以上述得到的病灶短轴，以用于算法获得自适应能力。通过上述计算的值进行逻辑判断，进而得到病灶形状描述。具体地，当满足ConcaveAvgDepth＞0.1或者ConcaveMaxDepth＞0.22时，形状描述为不规则；反之，则为规则。

在本发明的一个具体实施方式中，基于分割结果，对病灶的回声类型及回声质地进行描述，具体为，

回声类型包括强回声、高回声、低回声和无回声；

计算病灶轮廓区域内灰度均值M

具体地，一方面，R>1.1时为高回声或者强回声，进一步地，R<1.5时为高回声；R>2、M

如图13所示，基于病灶内部灰度特征对回声质地进行判断；

计算病灶图像的灰度均值Mean和方差Std，确定病灶图像的灰度阈值Threshold，并根据阈值二值化病灶图像，得到病灶内的相对高亮区域，通过统计所述高亮区域的像素个数LightSpotsNum和病灶内部的像素个数Les ionPixelNum，得到高亮区域在病灶图像中的占比LightSpotsRat io；

应说明的是，灰度均值反映了病灶图像的平均灰度水平，而方差反映了图像中灰度值的变化程度；

阈值的计算公式为：

Threshold＝Mean＝K×Std

其中，K为经验权重值，在本发明中取1.8。

所述病灶图像的熵表示为：

其中，i为像素灰度值，0≤i≤225，p

应说明的是，计算病灶区域内的熵，数字图像的熵是指图像中灰度分布的聚集特征所包含的信息量，它可以反映图像中纹理的复杂程度。熵越大，说明纹理越复杂，熵越小说明纹理越平滑。

进一步的，结合所述高亮区域在病灶图像中的占比LightSpotsRat io、病灶图像的方差Std和熵H判断所述回声质地是否均匀。具体的，在H＞5,且Std＞25时，回声质地不均匀；反之，进一步判断，当LightSpotsRat io＞0.035时,回声质地不均匀；其他情况返回回声质地为均匀。

综上所述，本发明提供的一种基于语义分割网络的肝脏病灶图像描述方法，通过构建病灶分割模型对肝脏病灶进行分割，并基于分割结果进行描述，提高了肝脏疾病诊断的准确性和可靠性，减少了误判和主观偏差；通过结合深度学习和传统图像处理的优势，充分利用了两者的特点，提高了算法的性能和稳定性；实现了超声图像的自动化处理和分析，减轻了医生的负担，提高了工作效率；病灶描述的结果提供了准确的疾病定位和类型判断，为医生提供更好的治疗方案，改善患者的治疗效果和就诊感受。

应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施方式方案的目的。

另外，在本申请各个实施方式中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以2个或2个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机系统(可以是个人计算机，服务器，或者网络系统等)或处理器(processor)执行本申请各个实施方式所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施方式仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施方式对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施方式技术方案的精神和范围。