[發(fā)明專利]一種基于深度學(xué)習(xí)的超聲甲狀腺結(jié)節(jié)智能評(píng)估方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010155463.0
• 申請(qǐng)日: 2020-03-09
• 公開(kāi)（公告）號(hào): CN111341443A
• 公開(kāi)（公告）日: 2020-06-26
• 發(fā)明（設(shè)計(jì)）人: 王曉東;何詩(shī)銘;何鎮(zhèn)安
• 申請(qǐng)（專利權(quán)）人: 西安中科長(zhǎng)青醫(yī)療科技研究院有限公司
• 主分類號(hào): G16H50/20
• 分類號(hào): G16H50/20;G16H30/20;G16H30/40;G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京科億知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11350
• 代理人: 湯東鳳

1.一種基于深度學(xué)習(xí)的超聲甲狀腺結(jié)節(jié)智能評(píng)估方法，其特征在于，包括如下步驟：

S1，對(duì)甲狀腺超聲圖片進(jìn)行數(shù)據(jù)標(biāo)注；

S2，對(duì)已標(biāo)注的圖片進(jìn)行數(shù)據(jù)增強(qiáng)處理；

S3，采用resnet34作為特征提取的骨干網(wǎng)絡(luò)對(duì)步驟S2中的數(shù)據(jù)進(jìn)行特征提取；

S4，采用建議網(wǎng)絡(luò)RPN結(jié)合步驟S3得到的所有特征圖生成區(qū)域建議框；

S5，求得目標(biāo)的邊框位置和屬于目標(biāo)的分類概率；

S6，將步驟S5中分類概率PM的目標(biāo)的邊框認(rèn)為是有效目標(biāo)，截取目標(biāo)邊框，作為輸入圖片，其中，M為閾值；

S7，用ConvNet對(duì)輸入圖片進(jìn)行特征提取，得到feature map；

S8，將步驟S7得到的特征作為不同任務(wù)的共享特征，分別輸入不同的任務(wù)分類函數(shù)；

S9，訓(xùn)練時(shí)，設(shè)定損失函數(shù)L，每個(gè)任務(wù)的分類函數(shù)如下所示：

L＝α₁L₁+α₂L₂+α₃L₃+α₄L₄+α₅L₅

α₁，α₂…α₅對(duì)應(yīng)著每個(gè)任務(wù)的權(quán)重；

L₁…L₅＝-∑t_ilny_i

y_i為輸出層softmax的值，t_i值為0或1，屬于真實(shí)目標(biāo)為1，否則為0；

S10，對(duì)不同的分類進(jìn)行分?jǐn)?shù)統(tǒng)計(jì)，根據(jù)得分判斷風(fēng)險(xiǎn)等級(jí)，從而給出進(jìn)一步的診療建議。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的超聲甲狀腺結(jié)節(jié)智能評(píng)估方法，其特征在于：步驟S1中，數(shù)據(jù)標(biāo)注的信息包括結(jié)節(jié)位置、成分、回聲、形狀、邊界和點(diǎn)狀強(qiáng)回聲。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的超聲甲狀腺結(jié)節(jié)智能評(píng)估方法，其特征在于：步驟S2中，對(duì)數(shù)據(jù)較少的分類數(shù)據(jù)進(jìn)行增強(qiáng)以達(dá)到數(shù)據(jù)平衡。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的超聲甲狀腺結(jié)節(jié)智能評(píng)估方法，其特征在于：步驟S7中，ConvNet包含卷積層Conv，ReLU和pooling。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的超聲甲狀腺結(jié)節(jié)智能評(píng)估方法，其特征在于：步驟S6中，M為0.8。

6.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的超聲甲狀腺結(jié)節(jié)智能評(píng)估方法，其特征在于：步驟S10中，對(duì)不同的分類進(jìn)行分?jǐn)?shù)統(tǒng)計(jì)的公式如下

TR＝CLASS₁+CLASS₂+CLASS₃+CLASS₄+CLASS₅

其中，TR為甲狀腺風(fēng)險(xiǎn)等級(jí)分?jǐn)?shù)，CLASS1至CLASS5分別為成分、回聲、形狀、邊界和點(diǎn)狀強(qiáng)回聲的得分?jǐn)?shù)值。