[發明專利]一種基于USFaster R-CNN的甲狀腺超聲圖像結節自動定位識別方法

在審

• 申請號: 201910594057.1
• 申請日: 2019-07-03
• 公開（公告）號: CN110490892A
• 公開（公告）日: 2019-11-22
• 發明（設計）人: 蔡慶玲;孫瑋;梁偉霞;何鴻奇;林進可
• 申請（專利權）人: 中山大學
• 主分類號: G06T7/136
• 分類號: G06T7/136
• 代理公司: 44104 廣州知友專利商標代理有限公司
• 代理人: 李海波<國際申請>=<國際公布>=<進入

本發明公開了一種基于USFaster R?CNN的甲狀腺超聲圖像結節自動定位識別方法，屬于人工智能和深度學習領域。該方法包括甲狀腺超聲圖像的預處理，深度神經網絡模型的搭建，網絡模型訓練和優化，其中深度神經網絡模型包括底層卷積特征提取網絡，候選框生成網絡，特征圖池化層、分類與候選框回歸網絡。利用深度學習方法，實現甲狀腺超聲圖像特征自動提取，候選框自動生成，篩選，位置修正。實現甲狀腺結節的自動定位識別功能。本發明可以有效輔助醫生進行甲狀腺超聲圖像診斷，提高診斷的客觀性和準確率，有效降低醫生的工作量以及小目標結節的漏檢率。

技術領域

本發明屬于人工智能和深度學習領域，特別涉及一種基于USFaster R-CNN(針對超聲圖像的更快速區域卷積神經網絡)的甲狀腺超聲圖像結節自動定位與識別方法。

背景技術

近年來，隨著影像技術的發展，甲狀腺結節的檢出率顯著升高，甲狀腺結節非常普遍，約有三分之一的成年人在檢查中發現甲狀腺結節。盡管其中大部分為良性，但也約有4-5％的甲狀腺結節存在惡變風險。超聲(US)在甲狀腺疾病診斷中的應用廣泛，但是診斷醫生通過超聲圖像進行評估腫瘤時具有很大的主觀性，這很大程度上取決于不同醫生的臨床經驗。使用人工智能的甲狀腺計算機輔助診斷系統(CAD)是解決這一問題的一種選擇，CAD可以為醫生提供客觀可靠的診斷意見，為臨床提供參考。這不僅可以有效解決不同醫生的主觀分歧，提高診斷的準確率，還可以降低醫生們的工作量以及漏檢率。

目標檢測是當前計算機視覺和機器學習領域的研究熱點，它能夠框出圖像中的目標位置并識別目標種類，基于深度學習的目標檢測方法在提高檢測速度和準確率方面具有很大的潛力，其在醫療領域尤其是醫學影像方面的應用，可以節省了大量人力物力。但在這前人們必須讓神經網絡“學到”圖像的特征，才能使它工作，這往往需要一個足夠大的數據集來監督訓練網絡參數。對于醫學圖像，在訓練數據方面存在很大的局限性，醫學圖像的標注需要大量的專業知識和精力，有些罕見疾病的醫學圖像的數量遠遠達不到訓練的標準。同時，超聲圖像相比于日常圖像特征要更少(缺乏顏色特征)，對比度低，良惡性結節的特征差別不明顯，屬于細粒度分類問題。有些結節的體積較小，診斷醫生在長時間工作情況下，由于視覺疲勞或者經驗不足等原因，很有可能漏掉小結節。這些都是甲狀腺超聲圖像結節定位與識別存在的問題。

基于深度學習的目標檢測算法大致分成兩類：一是基于Region Proposal的twostage目標檢測算法，二是基于回歸問題的one stage目標檢測算法。第一類需要產生候選框，通過卷積神經網絡對目標進行分類，最后進行邊界框位置的修正。第二類則不產生候選框，直接將目標邊框定位的問題轉化為回歸問題處理，直接對預測的目標進行回歸。兩者性能上存在差異，前者在檢測準確率和定位精度上占優勢，后者在檢測速度上更占優勢。

發明內容

本發明的目的是解決現有的甲狀腺超聲圖像檢測方法的不足，提供一種基于USFasterR-CNN(針對超聲圖像的更快速區域卷積神經網絡)的甲狀腺超聲圖像結節自動定位識別的方法，實現自動框出甲狀腺超聲圖像中的結節并判斷出結節種類的方法，尤其是對小目標甲狀腺結節的檢出率有明顯提升。

為達上述目的，本發明提供的一種基于USFaster R-CNN的甲狀腺超聲圖像結節自動定位識別方法，包括以下步驟：

(1)首先對甲狀腺超聲圖像進行預處理，截取出待處理區域，去除超聲圖像中與甲狀腺圖像無關信息，用圖像標注工具labelImg，根據診斷醫生的標記以及診斷報告框出超聲圖像中的甲狀腺結節，并進行結節種類的標注，制作成xml文件作為訓練集的groundtrue標簽，然后去除圖像中的診斷醫生的人工標注，以免影響對網絡的訓練效果，最后將超聲圖像以及對應的xml文件分成訓練集，驗證集和測試集；