[發明專利]基于Faster-RCNN的超聲圖像甲狀腺結節智能檢測系統

在審

• 申請號: 202010411428.0
• 申請日: 2020-05-15
• 公開（公告）號: CN111612752A
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 劉云;繆姝妹;王忠民;張小亮;盛戎蓉;荊芒;凡豪志;張昕;崔岱;景慎旗;單濤;郭建軍;徐挺玉
• 申請（專利權）人: 江蘇省人民醫院（南京醫科大學第一附屬醫院）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06K9/62;A61B8/08
• 代理公司: 南京知識律師事務所 32207
• 代理人: 高玲玲

1.一種基于Faster-RCNN的超聲圖像甲狀腺結節智能檢測系統，其特征在于包括：數據采集模塊、基礎特征提取模塊、分類模塊、訓練模塊和檢測判斷模塊；

其中所述數據采集模塊用于采集甲狀腺結節患者的臨床數據，包括患者的基本信息、臨床診斷、檢驗報告、病理報告、超聲報告和超聲圖像；

所述基礎特征提取模塊用于分析超聲圖像中甲狀腺結節圖像的鑒別特征，獲得結節區域的圖像特征；

所述分類模塊用于對獲得的結節區域的圖像特征結合根據病理報告的結論進行分類，將結節區域的圖像區分為良性結節和惡性結節，分別進行標注，分類為良性結節超聲圖像集和惡性結節超聲圖像集；

所述訓練模塊用于將分類模塊分類獲得的超聲圖像集采用Faster-RCNN深度學習檢測模型進行訓練，構建分類與回歸模型；

所述檢測判斷模塊用于將構建的模型對檢測的超聲報告中甲狀腺結節區域進行識別，判斷為良性結節或惡性結節。

2.根據權利要求1所述的基于Faster-RCNN的超聲圖像甲狀腺結節智能檢測系統，其特征在于：所述識別系統還包括信息處理模塊，包括結構化數據處理單元和非結構化數據處理單元；所述結構化數據處理單元用于對患者的基本信息、臨床診斷、檢驗檢查報告進行歸一化處理；所述非結構化數據處理單元用于對患者的病理報告、超聲報告和超聲圖像采用自然語言處理技術實現非結構化文本至結構化文本的轉換。

3.根據權利要求1所述的基于Faster-RCNN的超聲圖像甲狀腺結節智能檢測系統，其特征在于：所述識別系統還包括圖像預處理模塊，用于對采集的超聲圖像進行去噪處理并修復圖像中的醫生標記。

4.根據權利要求3所述的基于Faster-RCNN的超聲圖像甲狀腺結節智能檢測系統，其特征在于：所述圖像預處理模塊包括去噪單元和修復單元；其中所述去噪單元用于采用非線性的中值濾波法對采集的超聲圖像進行去噪處理；所述修復單元用于采用Inpaint函數對超聲圖像進行痕跡區域的圖像修復。

5.根據權利要求1所述的基于Faster-RCNN的超聲圖像甲狀腺結節智能檢測系統，其特征在于：所述基礎特征提取模塊包括分析單元和提取單元；所述分析單元用于利用OpenCV圖像分析計算超聲圖像中甲狀腺結節圖像的鑒別特征；所述提取單元用于保存分析計算出的結節區域的圖像特征。

6.根據權利要求5所述的基于Faster-RCNN的超聲圖像甲狀腺結節智能檢測系統，其特征在于：所述甲狀腺結節區域的圖像特征為結節區域的圓形度、縱橫比、歸一化徑向長度、粗糙度、面積比率、LBP算子和灰度共生矩陣特征。

7.根據權利要求1所述的基于Faster-RCNN的超聲圖像甲狀腺結節智能檢測系統，其特征在于：所述良性結節超聲圖像集和惡性結節超聲圖像集為結節區域的圖像和Json格式標注數據的深度學習框架可讀取分析的文本數據。

8.根據權利要求1所述的基于Faster-RCNN的超聲圖像甲狀腺結節智能檢測系統，其特征在于：所述訓練模塊包括搜索單元、卷積提取單元和模型單元；所述搜索分割單元用于對良性結節超聲圖像集和惡性結節超聲圖像集中的圖片分別進行分割并按照顏色、紋理近似進行合并，并最終生成2k個候選區域；所述卷積提取單元用于采用卷積網絡提取圖片固定維度特征；所述模型單元用于將基礎特征提取模塊提取的圖片特征與固定維度特征結合，構建分類與回歸模型。

9.根據權利要求1所述的基于Faster-RCNN的超聲圖像甲狀腺結節智能檢測系統，其特征在于：所述檢測判斷模塊包括輸入單元和判斷單元；所述輸入單元用于輸入待檢測超聲圖像并將圖像經數據采集模塊、圖像預處理模塊、基礎特征提取模塊獲得超聲圖像的基礎數據，經訓練模塊獲得圖像候選區域的固定維度特征；所述判斷單元用于將候選區域的固定維度特征進行回歸，從而對輸入待檢測超聲圖像的甲狀腺結節實現定位，和良惡性類別的判斷。