[發明專利]一種甲狀腺乳頭狀癌的超聲圖像識別方法及裝置

在審

• 申請號: 201710217515.0
• 申請日: 2017-04-05
• 公開（公告）號: CN106951928A
• 公開（公告）日: 2017-07-14
• 發明（設計）人: 柯威;王永華;萬頻;劉巍巍;齊蕾
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 羅滿

技術領域

本發明涉及超聲圖像識別技術領域，特別是涉及一種甲狀腺乳頭狀癌的超聲圖像識別方法及裝置。

背景技術

近年來，癌癥的患病率越來越高，對患者的病灶做出準確、快速的診斷是非常重要的一個環節。在對癌癥進行診斷時，較為常規的診斷方法是在顯微鏡下對病理切片進行人工的細胞病理形態的定性分析，而這種診斷方法往往帶有很大的主觀性，尤其當癌變的特征不太明顯或者取樣較少時，將會造成主觀診斷不確定性的增加。

隨著數字圖像處理技術和模式識別與人工智能技術的發展，用計算機進行輔助診斷能盡量減少對癌細胞的誤判，提高診斷的準確率。通常是通過對病灶的超聲圖像的識別來進行相應的診斷，但是，目前對甲狀腺乳頭狀癌的超聲圖像的識別是通過人工進行識別的，同樣造成診斷的不確定性增加，在一定程度上降低了診斷的準確度。

因此，如何提高一種解決上述技術問題的甲狀腺乳頭狀癌的超聲圖像識別方法成為本領域的技術人員需要解決的問題。

發明內容

本發明的目的是提供一種甲狀腺乳頭狀癌的超聲圖像識別方法及裝置，在使用過程中可以對待識別的甲狀腺乳頭狀癌超聲圖像的特征進行準確的識別，以便于輔助醫生的診斷，降低診斷的不確定性，提高診斷的準確度。

為解決上述技術問題，本發明提供了一種甲狀腺乳頭狀癌的超聲圖像識別方法，包括采用預先建立的甲狀腺乳頭狀癌超聲圖像識別模型對待識別的甲狀腺乳頭狀癌超聲圖像的特征進行識別；

所述甲狀腺乳頭狀癌超聲圖像識別模型的建立過程為：對各個用于深度學習的甲狀腺乳頭狀癌超聲圖像進行預處理；將經過預處理的各個所述用于深度學習的甲狀腺乳頭狀癌超聲圖像進行歸一化；建立卷積神經網絡，所述卷積神經網絡包括n個卷積層、n個最大池化層、最大鏈路層和分類層，所述n個卷積層與所述n個最大池化層依次交替分布，所述n為大于1的整數；利用所述卷積神經網絡對歸一化后的各個所述用于深度學習的甲狀腺乳頭狀癌超聲圖像進行訓練，得到甲狀腺乳頭狀癌超聲圖像識別模型。

可選的，所述將經過預處理的各個所述用于深度學習的甲狀腺乳頭狀癌超聲圖像進行歸一化的過程具體為：

將經過預處理的各個所述用于深度學習的甲狀腺乳頭狀癌超聲圖像的大小按照35*35的格式進行歸一化。

可選的，所述n為3；

則，三個所述卷積層的卷積核的大小分別為5*5、3*3和3*3；所述全鏈路層包括128個神經元。

可選的，所述利用所述卷積神經網絡對歸一化后的各個所述用于深度學習的甲狀腺乳頭狀癌超聲圖像進行訓練的過程具體為：

采用隨機梯度下降法對輸入至所述卷積神經網絡中的、歸一化后的各個所述用于深度學習的甲狀腺乳頭狀癌超聲圖像進行訓練。

可選的，所述隨機梯度下降法依據計算關系式對θ進行迭代以得到損失函數的最優解；其中，h(θ)表示擬合函數，θ表示參數，m表示迭代總次數，i表示第幾次迭代，n表示參數的總個數，j表示第j個參數，x和y表示與所述參數對應的特征的坐標。

可選的，所述對用于深度學習的甲狀腺乳頭狀癌超聲圖像進行預處理的過程具體為：

去除各個所述用于深度學習的甲狀腺乳頭狀癌超聲圖像中的空白部分、文字信息以及甲狀腺組織的背景。

可選的，各個所述卷積層的步長均為1。

可選的，如上述所述的甲狀腺乳頭狀癌的超聲圖像識別方法，在對待識別的甲狀腺乳頭狀癌超聲圖像進行識別之前，所述方法還包括：對待識別的甲狀腺乳頭狀癌超聲圖像進行歸一化處理。

為解決上述技術問題，本發明提供了一種甲狀腺乳頭狀癌的超聲圖像識別裝置，包括識別模塊，用于采用預先建立的甲狀腺乳頭狀癌超聲圖像識別模型對待識別的甲狀腺乳頭狀癌超聲圖像的特征進行識別；

所述甲狀腺乳頭狀癌超聲圖像識別模型的建立過程為：對各個用于深度學習的甲狀腺乳頭狀癌超聲圖像進行預處理；將經過預處理的各個所述用于深度學習的甲狀腺乳頭狀癌超聲圖像進行歸一化；建立卷積神經網絡，所述卷積神經網絡包括n個卷積層、n個最大池化層、最大鏈路層和分類層，所述n個卷積層與所述n個最大池化層依次交替分布，所述n為大于1的整數；利用所述卷積神經網絡對歸一化后的各個所述用于深度學習的甲狀腺乳頭狀癌超聲圖像進行訓練，得到甲狀腺乳頭狀癌超聲圖像識別模型。