基于深度殘差網(wǎng)絡(luò)的醫(yī)學(xué)超聲圖像多尺度邊緣檢測算法

李曉峰, 李 東, 王妍瑋

(1. 黑龍江外國語學(xué)院 信息工程系, 哈爾濱 150025; 2. 哈爾濱工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 哈爾濱 150001; 3. 普度大學(xué) 機(jī)械工程系, 美國印第安納州 西拉法葉市 IN47906)

超聲圖像可有效輔助醫(yī)生準(zhǔn)確判斷和治療人體疾病, 目前在醫(yī)療診斷中應(yīng)用廣泛[1-2]. 但在分析醫(yī)學(xué)超聲圖像信息前, 需經(jīng)過計(jì)算機(jī)處理, 以獲取更精準(zhǔn)的圖像信息數(shù)據(jù). 通過邊緣檢測技術(shù)獲取圖像中物體的邊緣信息, 可為目標(biāo)圖像輸出提供可靠的數(shù)據(jù)支持[3].

深度卷積神經(jīng)網(wǎng)絡(luò)在圖像分析方面應(yīng)用廣泛, 但伴隨網(wǎng)絡(luò)深度的增加, 在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中, 易出現(xiàn)梯度過多或消失的情況, 導(dǎo)致訓(xùn)練不能正常進(jìn)行. 由此產(chǎn)生了一種深度殘差網(wǎng)絡(luò), 通過在卷積層中添加殘差學(xué)習(xí)單元, 緩解網(wǎng)絡(luò)訓(xùn)練問題, 效果較好. 陸永帥等[4]利用深度殘差網(wǎng)絡(luò)進(jìn)行霾監(jiān)測, 通過提取霾光譜曲線特征, 添加殘差學(xué)習(xí)緩解神經(jīng)網(wǎng)絡(luò)訓(xùn)練問題, 基于數(shù)據(jù)分析完成霾監(jiān)測, 結(jié)果表明該方法的識別精度較高; 段立娟等[5]采用多階段學(xué)習(xí)策略推算小波系數(shù), 提出了一種基于小波域的深度殘差網(wǎng)絡(luò), 將神經(jīng)網(wǎng)絡(luò)與小波損失函數(shù)相結(jié)合完成圖像超分辨率重建, 視覺效果較好; 查雄等[6]提出了一種基于深度殘差網(wǎng)絡(luò)的特定協(xié)議信號識別方法, 訓(xùn)練深度殘差網(wǎng)絡(luò), 構(gòu)建短波信號識別模型, 該方法對被強(qiáng)干擾遮擋條件下識別信號的準(zhǔn)確率較高; Sultana等[7]提出了一種具有正規(guī)化Fisher框架的深層殘留網(wǎng)絡(luò)檢測方法, 將類間方差信息整體最小化, 并將類間方差信息最大化, 分析了在類間散點(diǎn)矩陣中產(chǎn)生各種子空間的重要性, 然后利用總類間方差信息進(jìn)行降維, 用于黑色素瘤的檢測, 在多個(gè)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明, 與其他方法相比, 該方法效果較好.

圖像邊緣輪廓檢測通過多尺度邊緣檢測進(jìn)行圖像的紋理特征重構(gòu)和病理特征的邊界特征提取, 以提高圖像的識別和檢測能力. 傳統(tǒng)方法中, 對醫(yī)學(xué)超聲圖像的邊緣檢測方法主要有背景差分法、 銳化模板增強(qiáng)技術(shù)、 活動(dòng)輪廓特征檢測方法等. 文獻(xiàn)[8]對掃描圖像的真實(shí)特征邊緣進(jìn)行數(shù)值模擬, 檢測圖像邊緣信息, 通過構(gòu)建兩個(gè)模型用于放置樣本圖像和底物圖像, 很好地將邊緣特征和背景分離開, 該方法整體效果較好, 但計(jì)算復(fù)雜度較高, 收斂性較差； 文獻(xiàn)[9]提出了基于銳化模板增強(qiáng)技術(shù)的醫(yī)學(xué)超聲圖像多尺度邊緣檢測方法, 通過提取圖像的不變矩, 實(shí)現(xiàn)圖像的邊緣輪廓檢測, 提高了超聲圖像的病灶特征識別能力, 但該方法在進(jìn)行復(fù)雜度較高的超聲圖像檢測時(shí)識別性較差, 且計(jì)算開銷較大； 文獻(xiàn)[10]提出通過先分析數(shù)據(jù)驅(qū)動(dòng)斷層的原始數(shù)據(jù)特征進(jìn)行圖像重建, 然后提取其診斷的特征進(jìn)行讀取, 提高了成像速度與分辨能力; 文獻(xiàn)[11]提出根據(jù)超生參數(shù)建立診斷模型, 使用代價(jià)敏感機(jī)器學(xué)習(xí)方法將模型進(jìn)行對比驗(yàn)證, 效果顯著, 降低了診斷代價(jià), 有實(shí)用價(jià)值； 文獻(xiàn)[12]提出結(jié)合MRI圖像與超聲圖像部分功能, 在診治過程中進(jìn)行監(jiān)控與導(dǎo)航, 該方法可實(shí)時(shí)獲得準(zhǔn)確的圖像, 并能清晰顯現(xiàn)腫瘤邊界; 文獻(xiàn)[13]提出了利用一個(gè)預(yù)處理器完成失真圖像的邊緣檢測, 對于散斑圖像中的每個(gè)像素, 預(yù)處理器首先確定其是否為噪聲, 然后檢查其是否位于邊緣, 根據(jù)獲取的信息, 預(yù)處理器可定義不同的加權(quán)系數(shù)均衡每個(gè)像素, 以此對處理后的圖像執(zhí)行邊緣檢測機(jī)制, 繪制邊緣地圖, 但該方法運(yùn)行耗時(shí)長且收斂效果不佳. 針對上述問題, 本文提出一種基于深度殘差網(wǎng)絡(luò)的醫(yī)學(xué)超聲圖像多尺度邊緣檢測算法, 增強(qiáng)處理醫(yī)學(xué)超聲圖像信息, 并根據(jù)處理結(jié)果構(gòu)建多尺度圖像分割模型, 在分割輪廓基礎(chǔ)上, 融合區(qū)域像素, 通過分析區(qū)域像素獲取多尺度圖像邊緣特征; 根據(jù)深度殘差網(wǎng)絡(luò)進(jìn)行底層圖像信息的融合處理; 最后經(jīng)平滑處理, 實(shí)現(xiàn)多尺度邊緣檢測. 實(shí)驗(yàn)結(jié)果表明, 本文算法的圖像分割精度平均值為94.4%, 特征提取準(zhǔn)確率在80%以上, 邊緣點(diǎn)查全性較高, 算法檢測耗時(shí)短, 收斂性高, 整體效果優(yōu)于其他對比算法.

1 多尺度圖像分割模型

深度殘差神經(jīng)網(wǎng)絡(luò)可通過對模擬人類學(xué)習(xí)行為的積累, 重組知識結(jié)構(gòu), 不斷完善自身性能. 為實(shí)現(xiàn)基于深度殘差神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)超聲圖像多尺度邊緣檢測, 首先構(gòu)建醫(yī)學(xué)超聲圖像的多尺度圖像分割模型, 然后通過對原始醫(yī)學(xué)超聲圖像進(jìn)行自動(dòng)標(biāo)注, 構(gòu)建醫(yī)學(xué)超聲圖像的灰度分布矩陣, 最后利用分布矩陣完成醫(yī)學(xué)超聲圖像的多尺度圖像分割. 以一張男性膀胱的超聲掃描圖為例, 其原始圖像的自動(dòng)標(biāo)注過程如圖1所示.

圖1 醫(yī)學(xué)超聲圖像的標(biāo)注Fig.1 Annotation of medical ultrasonic image

根據(jù)圖1醫(yī)學(xué)超聲圖像的邊緣標(biāo)注模型, 進(jìn)行醫(yī)學(xué)超聲圖像的多尺度邊緣檢測和二值擬合[14-15], 構(gòu)建醫(yī)學(xué)超聲圖像的灰度圖像分布矩陣為

(1)

對目標(biāo)超聲圖像進(jìn)行多尺度邊緣檢測, 在兩個(gè)同質(zhì)區(qū)域(目標(biāo)和背景)內(nèi)[16], 提取醫(yī)學(xué)超聲圖像的局部灰度能量項(xiàng), 采用銳化模板匹配技術(shù)進(jìn)行醫(yī)學(xué)超聲圖像信息增強(qiáng)處理, 在銳化模板區(qū)域Ω中, 醫(yī)學(xué)超聲圖像I(x,y)被輪廓曲線Ki劃分為灰度區(qū)域R1和背景R2, 基于形變模型的分割方法構(gòu)建醫(yī)學(xué)超聲圖像的多尺度圖像分割模型G為

(2)

其中P(Ki)表示最大后驗(yàn)概率,μ表示醫(yī)學(xué)超聲圖像重建的確定系數(shù).構(gòu)建醫(yī)學(xué)超聲圖像的閉合曲線, 設(shè)置相關(guān)半徑偏移量φ(x,y), 可得醫(yī)學(xué)超聲圖像邊緣輪廓分布的水平集函數(shù)為C={(x,y)∈Ω:φ(x,y)=0}.在目標(biāo)區(qū)域被覆蓋的區(qū)域, 采用模板匹配方法進(jìn)行超聲圖像融合, 將圖像劃分為(Ω/16+1)×(G/16+1)個(gè)子塊, 為醫(yī)學(xué)超聲圖像多尺度邊緣檢測提供基礎(chǔ)數(shù)據(jù).

2 圖像多尺度邊緣特征提取

采用水平集量化特征分解方法[17]對醫(yī)學(xué)超聲圖像進(jìn)行多尺度邊緣特征提取, 構(gòu)造超聲圖像多尺度特征分解模型.本文構(gòu)建的醫(yī)學(xué)超聲圖像多尺度邊緣輪廓模型W為

(3)

其中H(z)和D(z)分別為Heaviside函數(shù)和Dirac函數(shù),N為圖像像素總節(jié)點(diǎn)數(shù).在分割輪廓上, 采用Rayleigh分布模型進(jìn)行區(qū)域像素融合, 計(jì)算公式為

O=WG+N.

(4)

結(jié)合醫(yī)學(xué)超聲圖像的邊緣檢測模板函數(shù)f1(x)和f2(x), 按照形狀輪廓的形變和邊緣模糊度, 可知f1(x)和f2(x)是模糊度變化的, 則超聲圖像的灰度像素水平集函數(shù)為

(5)

其中θ為每個(gè)等級包含的像素灰度特征量,L(φ)為邊緣輪廓曲線長度約束項(xiàng),φ為每個(gè)樣本的灰度項(xiàng).采用網(wǎng)格模板匹配方法定義超聲圖像的目標(biāo)區(qū)域中心點(diǎn)[18-19].結(jié)合小波降噪方法得到超聲圖像降噪濾波輸出為

(6)

其中:Zl表示超聲圖像降噪濾波函數(shù);P(φ)為超聲圖像的多尺度邊緣分布正則項(xiàng),

(7)

式中ε為邊緣模糊特征分布項(xiàng).采用紋理像素集重建方法[20], 按照形狀輪廓的形變特征對各子帶圖像進(jìn)行二值化擬合, 計(jì)算公式為

(8)

從而可得每個(gè)樣本數(shù)據(jù)的多尺度邊緣特征為

(9)

3 算法設(shè)計(jì)

在提取得到多尺度邊緣特征的基礎(chǔ)上, 采用深度殘差網(wǎng)絡(luò)進(jìn)行超聲圖像的底層圖像信息融合處理, 以提高圖像的多尺度邊緣檢測能力, 進(jìn)而實(shí)現(xiàn)邊緣檢測.

3.1 深度殘差網(wǎng)絡(luò)

深度殘差網(wǎng)絡(luò)是為解決卷積神經(jīng)網(wǎng)絡(luò)因卷積層的增加導(dǎo)致性能退化而提出的一種深度學(xué)習(xí)框架, 通常利用非線性的卷積層構(gòu)建殘差映射, 在卷積層中增加殘差學(xué)習(xí)單元.殘差學(xué)習(xí)單元負(fù)責(zé)將卷積層對網(wǎng)絡(luò)映射的學(xué)習(xí)轉(zhuǎn)換為直接對殘差映射的學(xué)習(xí), 使網(wǎng)絡(luò)運(yùn)行更順暢.本文的深度殘差網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.由圖2可見, 深度殘差網(wǎng)絡(luò)包括卷積層、 歸一化層、 激活層、 殘差學(xué)習(xí)單元、 池化層、 全連接層和輸出層.對于輸入神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)超聲圖像, 深度殘差網(wǎng)絡(luò)首先在卷積層進(jìn)行卷積操作, 步長設(shè)為1, 卷積核為3×3.殘差學(xué)習(xí)運(yùn)算后, 在池化層對圖像進(jìn)行平均池化操作, 窗口大小設(shè)為16×16.全連接層設(shè)置多個(gè)神經(jīng)元, 輸出多維向量[21].

圖2 深度殘差網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of depth residual network

3.2 醫(yī)學(xué)超聲圖像底層信息融合

在上述提取醫(yī)學(xué)超聲圖像多尺度邊緣特征的基礎(chǔ)上, 進(jìn)行醫(yī)學(xué)超聲圖像底層圖像信息融合處理.根據(jù)深度殘差網(wǎng)絡(luò)原理, 分析深度殘差學(xué)習(xí)情況, 利用超聲圖像多尺度特征分解的深度殘差學(xué)習(xí)因子進(jìn)行醫(yī)學(xué)超聲圖像的底層信息融合.深度殘差網(wǎng)絡(luò)學(xué)習(xí)模型如圖3所示.

根據(jù)圖3醫(yī)學(xué)超聲圖像的多尺度邊緣檢測模型, 在深度殘差網(wǎng)絡(luò)下采用目標(biāo)邊緣標(biāo)記點(diǎn)跟蹤識別方法, 得到深度殘差學(xué)習(xí)算法計(jì)算公式為

圖3 醫(yī)學(xué)超聲圖像邊緣檢測的深度殘差網(wǎng)絡(luò)學(xué)習(xí)模型Fig.3 Deep residual network learning model for edge detection of medical ultrasonic image

Cs=DTeilc,

(10)

其中ei表示超聲圖像多尺度特征分解的深度殘差學(xué)習(xí)因子,lc表示殘差學(xué)習(xí)程度.根據(jù)深度殘差學(xué)習(xí)算法及多尺度邊緣特征信息的耦合, 進(jìn)行醫(yī)學(xué)超聲圖像底層信息融合, 其過程為

(11)

基于上述計(jì)算, 可實(shí)現(xiàn)醫(yī)學(xué)超聲圖像的底層圖像信息融合, 再根據(jù)特征分解結(jié)果進(jìn)行圖像的多尺度邊緣檢測.

3.3 醫(yī)學(xué)超聲圖像的多尺度邊緣檢測算法

利用醫(yī)學(xué)超聲圖像底層圖像信息融合結(jié)果, 實(shí)現(xiàn)基于深度殘差網(wǎng)絡(luò)的醫(yī)學(xué)超聲圖像形狀特征檢測, 得到多尺度邊緣檢測結(jié)果, 算法描述如下.

算法1醫(yī)學(xué)超聲圖像的多尺度邊緣檢測算法.

輸入： 根據(jù)醫(yī)學(xué)超聲圖像I(x,y), 構(gòu)建醫(yī)學(xué)超聲圖像邊緣輪廓分布的水平集, 并得到醫(yī)學(xué)超聲底層圖像融合信息Rh;

輸出： 醫(yī)學(xué)超聲圖像多尺度邊緣檢測結(jié)果.

初始化深度殘差網(wǎng)絡(luò)的參數(shù).

步驟1) 應(yīng)用醫(yī)學(xué)超聲底層圖像融合信息Rh, 并采用深度殘差網(wǎng)絡(luò)進(jìn)行超聲圖像多尺度平滑處理, 得到圖像的平滑處理輸出為

(12)

其中Kσ為醫(yī)學(xué)超聲圖像的邊緣尺度.

步驟2) 根據(jù)訓(xùn)練集進(jìn)行超聲圖像的多尺度邊緣檢測, 訓(xùn)練得到樣本集M, 表示為

(13)

其中d表示邊緣系數(shù).

步驟3) 根據(jù)訓(xùn)練集進(jìn)行形狀特征檢測, 得到醫(yī)學(xué)超聲圖像邊緣尺度分布函數(shù)為

(14)

其中ω為高斯核函數(shù).

步驟4) 結(jié)合深度殘差網(wǎng)絡(luò)進(jìn)行自適應(yīng)尋優(yōu)及全局均衡控制, 在深度殘差網(wǎng)絡(luò)下采用目標(biāo)邊緣標(biāo)記點(diǎn)跟蹤識別方法, 實(shí)現(xiàn)醫(yī)學(xué)超聲圖像多尺度邊緣檢測, 檢測輸出為

(15)

步驟5) 算法結(jié)束.

根據(jù)上述步驟可實(shí)現(xiàn)超聲圖像的多尺度邊緣檢測, 算法流程如圖4所示.

圖4 醫(yī)學(xué)超聲圖像多尺度邊緣檢測流程Fig.4 Multi-scale edge detection process of medical ultrasonic image

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集

為測試本文算法在實(shí)現(xiàn)醫(yī)學(xué)超聲圖像多尺度邊緣檢測中的性能, 對其進(jìn)行仿真實(shí)驗(yàn).實(shí)驗(yàn)采用MATLAB設(shè)計(jì). 圖像樣本采自于MEDLINE數(shù)據(jù)庫, 為1 200萬張臨床超聲圖像, 包括子宮肌瘤超聲圖像、 乳腺超聲圖像、 肝臟超聲圖像和肺部超聲圖像. 圖像像素初始分辨率設(shè)為540×400, 圖像邊緣檢測尺度分別設(shè)為30和50, 設(shè)λ1=1,λ2=1,μ=0.001, 模板分布為200×250, 網(wǎng)絡(luò)尺度系數(shù)ν=2.5.根據(jù)上述參數(shù)進(jìn)行超聲圖像多尺度邊緣檢測.實(shí)驗(yàn)所用數(shù)據(jù)集信息列于表1.

表1 實(shí)驗(yàn)數(shù)據(jù)集信息

4.2 實(shí)驗(yàn)步驟

1) 構(gòu)建深度殘差網(wǎng)絡(luò)結(jié)構(gòu)模型, 輸入原始醫(yī)學(xué)超聲圖像;

2) 采用MATLAB設(shè)計(jì)實(shí)驗(yàn)環(huán)境, 模擬醫(yī)學(xué)超聲圖像分割及邊緣狀態(tài);

3) 采用深度殘差網(wǎng)絡(luò)進(jìn)行醫(yī)學(xué)超聲圖像多尺度邊緣檢測, 輸出檢測結(jié)果;

4) 將本文算法實(shí)驗(yàn)結(jié)果與其他算法進(jìn)行對比, 驗(yàn)證本文算法的性能.

4.3 實(shí)驗(yàn)評價(jià)指標(biāo)

1) 分割精度. 圖像分割是完成邊緣檢測的基礎(chǔ)步驟, 因此對圖像分割精度進(jìn)行對比分析, 驗(yàn)證本文算法性能. 分割精度計(jì)算公式為

(16)

2) 特征提取準(zhǔn)確率. 在邊緣檢測前, 本文先進(jìn)行圖像邊緣特征提取. 為充分驗(yàn)證算法性能, 選取特征提取準(zhǔn)確率進(jìn)行分析, 計(jì)算公式為

(17)

3) 超聲圖像邊界中間斷區(qū)檢測性能. 由于超聲醫(yī)學(xué)圖像無明顯邊界, 因此易存在間斷區(qū), 通過對圖像邊界間斷區(qū)的檢測, 可提升圖像邊緣檢測性能, 計(jì)算公式為

(18)

其中n表示圖像數(shù),ν表示學(xué)習(xí)尺度系數(shù).

4) 檢測邊緣圖像邊緣點(diǎn)查全性.邊緣點(diǎn)的檢測效果是反映檢測精度的最重要部分, 計(jì)算公式為

(19)

其中ψc表示邊緣點(diǎn)間斷區(qū)像素值,θ表示每個(gè)等級包含的像素特征量.

5) 時(shí)間開銷.在相同樣本數(shù)下不同檢測速度有不同的檢測時(shí)間, 即檢測效率, 因此將檢測時(shí)間設(shè)為一個(gè)評價(jià)指標(biāo), 計(jì)算公式為

(20)

其中R表示樣本總數(shù),Xi表示降噪結(jié)果取值,ρ表示像素點(diǎn)密度值.

6) 算法收斂性. 將本文算法與文獻(xiàn)[5,7-8,13]算法的收斂性進(jìn)行對比分析.

4.4 實(shí)驗(yàn)結(jié)果

將本文算法與文獻(xiàn)[5,7-8,13]算法的圖像分割精度進(jìn)行對比, 結(jié)果列于表2. 由表2可見： 本文算法的圖像分割精度平均值為94.4%, 文獻(xiàn)[8]算法的分割精度最低, 平均值僅為61.1%, 遠(yuǎn)低于本文算法； 文獻(xiàn)[5]和文獻(xiàn)[7]算法的圖像分割精度較接近, 但均不超過80%； 文獻(xiàn)[13]算法的平均精度為83.0%, 相對較高, 但低于本文算法11.4%. 因此本文算法圖像分割效果較好. 這是由于本文算法先標(biāo)注了圖像, 從而提高了分割精度. 不同算法特征提取準(zhǔn)確率對比結(jié)果列于表3. 由表3可見, 無論測試數(shù)據(jù)量大小, 本文算法的特征提取準(zhǔn)確率均在80%以上, 文獻(xiàn)[13]算法的提取準(zhǔn)確率較高, 為72.6%, 文獻(xiàn)[7]算法的準(zhǔn)確率最低, 未超過60%. 數(shù)據(jù)分析表明, 本文算法利用小波降噪方法對圖像進(jìn)行降噪濾波處理后提取邊緣特征, 提高了準(zhǔn)確率.

表2 不同算法的分割精度(%)對比

表3 不同算法的特征提取準(zhǔn)確率(%)對比

對圖1中醫(yī)學(xué)超聲原始圖像進(jìn)行圖像的自動(dòng)標(biāo)注, 為多尺度邊緣檢測劃分實(shí)驗(yàn)檢測范圍. 根據(jù)上述仿真環(huán)境及參數(shù)設(shè)定, 分別采用本文算法、 文獻(xiàn)[5,7-8,13]算法判斷圖像中存在的間斷區(qū), 檢測結(jié)果如圖5所示.

圖5 不同算法檢測邊界中存在的間斷區(qū)Fig.5 Different algorithms for detecting discontinuous area in boundary

由圖5可見： 文獻(xiàn)[5]和文獻(xiàn)[13]算法在進(jìn)行間斷區(qū)檢測時(shí), 能有效找到超聲圖像邊緣的間斷區(qū)域, 但其無法有效查詢到全部間斷區(qū)域; 文獻(xiàn)[7]、 文獻(xiàn)[8]算法在文獻(xiàn)[5]的基礎(chǔ)上查詢到多處“間斷區(qū)”, 但經(jīng)查證, 右半部分并非間斷區(qū)域, 故文獻(xiàn)[7]、 文獻(xiàn)[8]算法存在檢測精度低的問題; 而本文算法在檢測圖像的間斷區(qū)時(shí), 具有較好的查全性. 這是由于本文算法在構(gòu)建圖像輪廓模式時(shí), 采用了Heaviside函數(shù)和Dirac函數(shù), 并考慮了形狀輪廓的形變和邊緣模糊度, 通過超聲圖像降噪濾波實(shí)現(xiàn)多尺度邊緣特征的檢測, 為邊緣間斷區(qū)的檢索提供了有效依據(jù).

在上述實(shí)驗(yàn)結(jié)果基礎(chǔ)上, 分別采用本文算法、 文獻(xiàn)[5,7-8,13]算法進(jìn)行對比測試, 分析不同算法的邊緣點(diǎn)查全性, 結(jié)果如圖6所示. 由圖6可見： 本文算法的邊緣檢測效果在邊緣標(biāo)注上更清晰, 能較好地保持圖像的邊緣； 文獻(xiàn)[5,7-8,13]算法檢測效果相對不佳, 尤其是文獻(xiàn)[13]算法, 邊緣點(diǎn)數(shù)量最少, 最不明顯. 因此, 基于深度殘差網(wǎng)絡(luò)的醫(yī)學(xué)超聲圖像邊緣檢測可有效檢測到圖像中大量的邊緣點(diǎn), 具有較高的查全性.

圖6 不同算法仿真結(jié)果的邊緣點(diǎn)Fig.6 Edge points of simulation results of different algorithms

測試檢測的時(shí)間開銷, 不同算法的對比結(jié)果如圖7所示. 由圖7可見： 在不同的樣本數(shù)下, 本文算法所用的的時(shí)間開銷較短, 具有很好的適應(yīng)性和泛化能力； 其他對比算法隨著樣本數(shù)的增加, 檢測耗時(shí)均呈下降趨勢, 文獻(xiàn)[8]的平均耗時(shí)相對較少, 但仍高于本文算法. 這是因?yàn)楸疚牟捎蒙疃葰埐罹W(wǎng)絡(luò)進(jìn)行圖像多邊緣尺度檢測, 深度殘差網(wǎng)絡(luò)運(yùn)行效率高, 極大提高了檢測效率.

圖7 不同算法的時(shí)間開銷對比Fig.7 Time cost comparison of different algorithms

算法的收斂性越高表示算法性能越好, 不同算法的收斂性對比結(jié)果如圖8所示. 由圖8可見： 文獻(xiàn)[7]和文獻(xiàn)[8]算法的收斂性基本相同, 約為45%, 曲線平穩(wěn)； 文獻(xiàn)[13]算法的收斂曲線有一定的波動(dòng)性, 為40%～50%, 平均值接近45%; 文獻(xiàn)[5]算法的收斂性最高， 為60%, 高于其他對比算法, 但遠(yuǎn)低于本文算法, 本文算法的收斂性高達(dá)82%. 因此, 本文融合圖像底層信息, 為超聲圖像多尺度邊緣檢測提供了必要的數(shù)據(jù)依據(jù), 提高了算法性能.

圖8 不同算法的收斂性對比Fig.8 Convergence comparison of different algorithms

綜上所述, 本文提出了一種基于深度殘差網(wǎng)絡(luò)的醫(yī)學(xué)超聲圖像多尺度邊緣檢測算法, 采用視覺特征檢測方法, 實(shí)現(xiàn)了醫(yī)學(xué)超聲圖像優(yōu)化設(shè)計(jì), 提高了醫(yī)學(xué)超聲圖像的視覺分辨能力.