[發(fā)明專利]一種基于SPECT影像的甲狀腺疾病診斷方法

在審

• 申請?zhí)枺?/td>: 201811402574.6
• 申請日: 2018-11-23
• 公開（公告）號: CN109727227A
• 公開（公告）日: 2019-05-07
• 發(fā)明（設計）人: 馬立勇;馬城寬;張湧;林文靖;張姝婷;孫明健
• 申請（專利權）人: 哈爾濱工業(yè)大學（威海）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;A61B6/03;A61B6/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于SPECT影像的甲狀腺疾病診斷方法，通過采用卷積神經(jīng)網(wǎng)絡的機器學習方法對SPECT圖像進行分類，達到檢測或者識別甲狀腺疾病的目的，前述卷積神經(jīng)網(wǎng)絡采用DenseNet網(wǎng)絡結構或者改進的DenseNet網(wǎng)絡結構，其特征在于：

第一，前述卷積神經(jīng)網(wǎng)絡連接具有以下特征：在每一個密集連接dense block模塊里面，將可訓練的權重參數(shù)添加到每個跨層連接中，初始化值設置為1，從而不會影響訓練前的權重，在前向傳播過程中，將網(wǎng)絡中每一層的特征與相應的權重相乘，這樣得到的在第l層輸入和輸出的關系是

y_l＝F_l([x₀·k_l,0,x₁·k_l,1,...,x_l-1·k_l,l-1],{W_l}), (2)

其中，l表示當前的層數(shù)，y_l是該層的輸出；[x₀,x₁,...,x_l-1]是在0,1,...,l-1層中生成的特征圖；F_l表示非線性變換，包括但不限于以下的網(wǎng)絡形式：BN,ReLU和3x3的卷積；W_l表示F_l的參數(shù)；k_l,0,k_l,1,...,k_l,l-1指的是當x₀,x₁,...,x_l-1連接到l層時確定x₀,x₁,...,x_l-1的權重的參數(shù)；

第二，前述卷積神經(jīng)網(wǎng)絡在學習過程中具有以下特征：網(wǎng)絡在訓練期間學習前述權重的參數(shù)，在反向傳播過程中，前述權重參數(shù)的值表示相應特征圖的影響程度，當該相應特征圖在分類任務中包含較多有用信息或者起主要的作用時，該相應特征圖對應的權重參數(shù)將相對較大；而當該特征圖在分類任務中包含較少有用信息，或者起次要作用，或者不起作用的時候，該相應特征圖對應的權重參數(shù)將相對較小。