[發明專利]基于深度學習的超聲甲狀腺結節良惡性特征可視化的方法

在審

• 申請號: 202010133627.X
• 申請日: 2020-02-28
• 公開（公告）號: CN111243042A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 王守超
• 申請（專利權）人: 浙江德尚韻興醫療科技有限公司
• 主分類號: G06T7/90
• 分類號: G06T7/90;G06T7/40;G06T7/11;G06T7/00;G06T5/30;G06N3/04
• 代理公司: 杭州中成專利事務所有限公司 33212
• 代理人: 周世駿

1.一種基于深度學習的超聲甲狀腺結節良惡性特征可視化的方法，其特征在于，包括以下步驟：

(1)收集同時具備甲狀腺結節超聲圖像和臨床手術病理結果的病例數據，根據病理結果區分為良性結節和惡性結節，對超聲圖像標記結節區域，然后生成掩模圖像；

(2)選擇深度卷積神經網絡基本結構，修改網絡輸出為解碼上采樣方式，在所有甲狀腺結節的掩模圖像數據上進行分割預訓練；

(3)用分割預訓練得到的模型參數初始化基礎網絡，構建用于識別的深度卷積神經網絡；采用折疊交叉方式訓練和驗證，得到良惡性識別模型；

(4)輸入測試圖像，使用良惡性識別模型預測識別結果，生成惡性特征可視化圖像。

2.根據權利要求1所述的方法，其特征在于，所述步驟(1)包括：

(1.1)以病例為單位收集足量含有甲狀腺結節的超聲圖像的數據，每個病例包含不同結節切面的多張普通B超圖像；

(1.2)對數據進行清洗和匿名化處理，只保留普通B超圖像，刪除其他類型超聲圖像，裁剪掉超聲圖像上的非超聲圖像區域；同時根據有無臨床手術病理結果區分數據集，對有病理結果的數據再細分為良性結節數據集和惡性結節數據集；

(1.3)利用標記工具在超聲圖像上畫出甲狀腺結節區域，嚴格按照病灶形態及邊界特征勾畫結節輪廓，剔除模糊不清、無法確定病灶的數據；對于后方回聲特征明顯的病灶，要避免將其后方聲影勾畫在區域內；結節標記完成后生成結節掩模圖像。

3.根據權利要求1所述的方法，其特征在于，所述步驟(2)包括：

(2.1)選擇EffcientNet-B4作為基礎網絡；

(2.2)去掉網絡結構最后的全局平均池化層、全連接層和Softmax損失函數層，連接1個3×3卷積層，調整輸出特征通道數，然后經過反卷積將特征圖上采樣2倍，特征圖通道數降為原來的1/4；從基礎網絡第1個輸出特征圖是原輸入圖像尺寸1/16的卷積層做跳層連接，在連接層之后使用3×3卷積降低輸出通道數為16，最后使用反卷積進行4倍上采樣；

(2.3)采用批量訓練時，使用全零填充將圖像寬和高擴展為32的倍數，然后取當前批圖像寬和高的最大值，圖像預測標簽是結節掩模圖像下采樣1/4得到，結節區域內的像素值為1，使用基礎網絡提取高層特征，網絡最后1層輸出特征圖尺寸是原圖尺寸的1/32；

(2.4)隨機初始化網絡參數，在所有甲狀腺數據上按照7：1訓練和測試分割模型，分割結果用平均交并比評價，調節學習率得到最佳分割模型。

4.根據權利要求1所述的方法，其特征在于，所述步驟(3)包括：

(3.1)用步驟(2)訓練得到的分割模型參數去初始化基礎網絡，然后修改全連接層輸出值為2，全連接層隨機初始化，初始學習率為原來的2倍，使用Sigmoid交叉熵損失函數；

(3.2)讀取甲狀腺超聲圖像和對應結節掩模圖像，在訓練過程中隨機對結節掩模圖像進行腐蝕或膨脹，獲取結節掩模圖像的最小外接矩形，計算矩形區域的中心坐標，在結節內的預設范圍內做隨機平移，如果矩形的寬或高都小于等于224，則在以平移后的中心坐標為中心，選取224×224圖像區域；如果寬或高大于224，則以最長邊作為裁剪區域，然后縮放至224×224大小，原始圖像和掩模圖像做相同操作；

(3.3)在預設范圍內，對獲取的224×224圖像進行隨機對比度拉伸、亮度調整、顏色偏移和鏡像，模擬超聲圖像變化，設計第1、2通道輸入超聲圖像，第3通道輸入對應的結節掩模圖像，通過分別減去123.68、116.779和103.939并乘以0.017歸一化3個通道；

(3.4)采用隨機梯度下降方法訓練網絡，調整訓練時圖像變換的參數范圍；修改不同學習率以及學習率衰減策略，重復交叉實驗，做出ROC曲線，最后選取AUC值最高的一次參數和模型，作為良惡性識別模型。