技术摘要：
本发明提供一种胆胰系统正常解剖结构的扫查识别系统，包括：影像采集模块，其用于采集超声图像，并预处理所述超声图像；影像识别模块，其与影像采集模块连接，用于接收预处理的超声图像，并进行图像识别；影像显示模块，其与所述影像识别模块连接，用于显示所述超声图  全部
背景技术：
胆胰系统疾病发病隐匿，且周边脏器多，结构复杂，早期发现困难，一旦发现往往 已是晚期，预后极差。腹部超声、CT检查、磁共振检查往往受腹腔脏器影响不能准确判断病 变真正性质。而线阵超声内镜可经过胃壁直接扫查胆胰系统，清晰显示全部胆胰系统，并且 可以对可疑病变进行穿刺活检获得病理学结果。能够对患者的治疗方式、预后提供指导意 见，避免了过度医疗或治疗不足。但是，初学者对正常的解剖结构不能准确的识别，往往需 要较长时间的学习曲线才能熟练使用线阵超声内镜进行医学扫查。对于有一定经验的医师 在进行胆胰系统标准扫查时，结果判定也要受个人经验、图像质量、解剖变异等影响。 中国发明专利201710412068.4公开一种基于卷积神经网络的胃肠道肿瘤显微高 光图谱处理方法，通过对高光图谱进行降维去噪，并构造卷积神经网络，采用分批处理的方 法，对高光图谱进行处理。既保留足够的光谱信息和空间纹理信息，又降低了算法的复杂 度。该处理方法虽然可以高效率的处理高光图谱，但是对于超声影像则很难准确的进行图 像识别，因为超声影像通常是单通道的图像，对空间结构特征比较敏感，而该方法中的网络 模型不能关注权重更大的特征，因此不能更好的体现图像的空间结构特征，使得该网络模 型整体在识别超声影像时的准确性较低。
技术实现要素：
本发明的一个目的是设计开发了一种胆胰系统正常解剖结构的扫查识别系统，能 够对线阵超声影像进行采集，并准确识别图像所在部位。 本发明的另一个目的是设计开发了一种胆胰系统正常解剖结构的扫查识别方法， 能够在卷积神经网络的基础上结合注意力增强模型识别图像对应部位的所属结构，提高超 声影像识别的准确性，进而提高线阵超声影像检查的完整性和准确性。 本发明提供的技术方案为： 一种胆胰系统正常解剖结构的扫查识别系统，包括： 影像采集模块，其用于采集超声图像，并预处理所述超声图像； 影像识别模块，其与所述影像采集模块连接，用于接收所述预处理的超声图像，并 进行图像识别； 影像显示模块，其与所述影像识别模块连接，用于显示所述超声图像和所述影像 识别模块的图像识别结果。 优选的是，还包括数据库，用于存储所述胆胰系统正常解剖结构的扫查识别系统 在交互过程中的中间状态数据和操作者的操作步骤，以及超声图像和图像识别结果。 一种胆胰系统正常解剖结构的扫查识别方法，包括如下步骤： 4 CN 111582215 A 说　明　书 2/5 页 步骤1：通过影像采集模块采集超声图像，并对所述超声图像进行预处理获得多个 单通道超声图像； 步骤2：影像识别模块接收所述预处理的超声图像，基于深度学习算法进行图像识 别，并结合三维立体模拟图判断图像对应部位的所属结构，同时输出分析结果； 步骤3：影像显示模块接收并显示所述影像采集模块采集的超声图像以及影像识 别模块的分析结果； 当分析结果显示为合格时，指导操作者结束扫查识别操作； 当分析结果显示为不合格时，指导操作者继续采集超声图像，并重复步骤1和步骤 2的扫查识别过程，直至分析结果显示合格。 优选的是，在所述步骤2中，所述基于深度学习算法进行图像识别包括： 将预处理后的多个单通道超声图像输入卷积神经网络模型中，并输出n个维度为H ×W×C的卷积特征张量Fk,k∈1,2,…n，其中，H为所述卷积特征张量的高度，W为所述卷积 特征张量的宽度，C为所述卷积特征张量的通道总数； 构造注意力增强模型，并将所述n个卷积特征张量输入所述注意力增强模型； 获取每个通道对应所有卷积特征张量的和： 获取每个通道的平均池化结果： 获取每个通道的最大池化结果： 串联所述平均池化结果和最大池化结果，并获取每个通道的权重： 式中， 为第c个通道对应所有卷积特征张量的和， 为第k个卷积特征张量的第 c个通道的值，n为特征张量的个数； 为第c个通道对应所有卷积特征张量的平均池化结 果， 为第c个通道对应所有高度为i且宽度为j的卷积特征张量的和， 为第c个 通道对应所有卷积特征张量的最大池化结果 ，σ(c ) 表示第c个通道的权重 ， 为平均池化结果和最大池化结果串联后的卷积结果； 输出每个通道对应所有卷积特征张量的加权： 式中，Ac为第c个通道对应所有卷积特征张量的加权； 通过每个通道对应所有卷积特征张量的加权进行图像识别。 优选的是，在所述步骤2中，所述卷积神经网络为ResNet网络结构或者VGGNet网络 结构中的一种。 优选的是，在所述步骤1中，对所述超声图像进行预处理包括： 5 CN 111582215 A 说　明　书 3/5 页 采用图像缩放、切割算法以及自适应直方图均衡算法获得多个单通道超声图像。 优选的是，在所述步骤1中，预处理后的图像具有相同的分辨率。 优选的是，所述注意力增强模型为多个，且靠近所述卷积神经网络模型的所述注 意力增强模型的输入为所述卷积神经网络模型的输出，其余所述注意力增强模型的输入为 相邻前一个注意力增强模型的输出。 优选的是，在所述卷积神经网络模型之中设置有注意力增强模型。 优选的是，在所述步骤2中，所述影像所属结构包括胃区、十二指肠球区和十二指 肠降部区。 本发明所述的有益效果： (1)本发明设计开发的胆胰系统正常解剖结构的扫查识别系统，能够对线阵超声 影像进行采集，并准确识别图像所在部位。 (2)本发明设计开发的胆胰系统正常解剖结构的扫查识别方法，能够对线阵超声 影像进行采集，预处理并识别其所在部位。 (3)本发明能够显示线阵超声影像的位置信息，并在对应的三维立体模拟图中显 示指引操作者下一步操作方向。 (4)本发明可以用深度学习算法实现对线阵超声影像部位的识别，即能够在卷积 神经网络的基础上结合注意力增强模型识别图像对应部位的所属结构，提高超声影像识别 的准确性。 (5)本发明能够记录操作者完成标准高线阵超声影像扫查的每一个步骤，并提示 未扫查部位，提高线阵超声影像检查的完整性和准确性。 (6)本发明能有效缩短初学者学习时间并对检查部位完整记录避免了漏诊。 附图说明 图1为胆胰系统正常解剖结构的扫查识别系统的模块结构示意图。 图2为本发明所述胆胰系统正常解剖结构的扫查识别方法的流程图。 图3为本发明所述基于深度学习算法进行图像识别的流程图。 附图标记说明 110.影像采集模块；120.影像识别模块；130.影像显示模块；140.数据库。