[發(fā)明專利]甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型構(gòu)建方法、系統(tǒng)及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202010417220.X
• 申請(qǐng)日: 2020-05-18
• 公開(kāi)（公告）號(hào): CN111598875A
• 公開(kāi)（公告）日: 2020-08-28
• 發(fā)明（設(shè)計(jì)）人: 杜強(qiáng);黃丹;郭雨晨;聶方興;張興;唐超
• 申請(qǐng)（專利權(quán)）人: 北京小白世紀(jì)網(wǎng)絡(luò)科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京八月瓜知識(shí)產(chǎn)權(quán)代理有限公司 11543
• 代理人: 李斌

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型構(gòu)建方法，其特征在于，包括：

對(duì)甲狀腺超聲圖像數(shù)據(jù)降噪，獲得甲狀腺超聲圖像訓(xùn)練數(shù)據(jù)集；

基于所述訓(xùn)練數(shù)據(jù)集，使用Yolov3網(wǎng)絡(luò)訓(xùn)練甲狀腺結(jié)節(jié)檢測(cè)模型；

基于所述訓(xùn)練數(shù)據(jù)集，使用Resnet網(wǎng)絡(luò)訓(xùn)練甲狀腺結(jié)節(jié)良惡識(shí)別模型；

將所述甲狀腺結(jié)節(jié)檢測(cè)模型和所述甲狀腺結(jié)節(jié)良惡識(shí)別模型融合，生成甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述訓(xùn)練數(shù)據(jù)集，使用Yolov3網(wǎng)絡(luò)訓(xùn)練甲狀腺結(jié)節(jié)檢測(cè)模型具體包括：

采用Focalloss的方式進(jìn)行訓(xùn)練數(shù)據(jù)集的挖掘，降低簡(jiǎn)單負(fù)樣本在訓(xùn)練中所占的權(quán)重，基于Focal loss挖掘后的訓(xùn)練數(shù)據(jù)，使用Yolov3網(wǎng)絡(luò)訓(xùn)練甲狀腺結(jié)節(jié)檢測(cè)模型。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，對(duì)甲狀腺超聲圖像數(shù)據(jù)降噪具體包括：

對(duì)甲狀腺超聲圖像進(jìn)行灰度化處理，得到二值化后圖像；

在二值化圖像基礎(chǔ)上，進(jìn)行圖像開(kāi)運(yùn)算，即先對(duì)圖像腐蝕后對(duì)圖像膨脹，完成對(duì)甲狀腺超聲圖像數(shù)據(jù)降噪。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法進(jìn)一步包括：

將所述甲狀腺超聲圖像測(cè)試數(shù)據(jù)輸入到甲狀腺結(jié)節(jié)檢測(cè)模型，如果甲狀腺結(jié)節(jié)檢測(cè)模型輸出結(jié)果為有甲狀腺結(jié)節(jié)，則將置信度高于預(yù)定值的甲狀腺超聲圖像輸入到所述甲狀腺結(jié)節(jié)良惡識(shí)別模型，并輸出最終的甲狀腺結(jié)節(jié)良惡結(jié)果；如果甲狀腺結(jié)節(jié)檢測(cè)模型輸出結(jié)果為無(wú)甲狀腺結(jié)節(jié)，則直接輸出結(jié)果；

對(duì)所述甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型最終輸出的結(jié)果進(jìn)行檢測(cè)，從而對(duì)所述甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型進(jìn)行檢測(cè)，如果檢測(cè)通過(guò)，最終得到訓(xùn)練好的甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法進(jìn)一步包括：

通過(guò)訓(xùn)練好的甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型對(duì)甲狀腺超聲圖像進(jìn)行自動(dòng)檢測(cè)。

6.一種基于卷積神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型構(gòu)建系統(tǒng)，其特征在于，具體包括：

降噪模塊，用于對(duì)甲狀腺超聲圖像數(shù)據(jù)降噪，獲得甲狀腺超聲圖像訓(xùn)練數(shù)據(jù)集；

第一訓(xùn)練模塊，用于基于所述訓(xùn)練數(shù)據(jù)集，使用Yolov3網(wǎng)絡(luò)訓(xùn)練甲狀腺結(jié)節(jié)檢測(cè)模型；

第二訓(xùn)練模塊，用于基于所述訓(xùn)練數(shù)據(jù)集，使用Resnet網(wǎng)絡(luò)訓(xùn)練甲狀腺結(jié)節(jié)良惡識(shí)別模型；

融合模塊，用于將所述甲狀腺結(jié)節(jié)檢測(cè)模型和所述甲狀腺結(jié)節(jié)良惡識(shí)別模型融合，生成甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述第一訓(xùn)練模塊具體用于：

采用Focal loss的方式進(jìn)行訓(xùn)練數(shù)據(jù)集的挖掘，降低簡(jiǎn)單負(fù)樣本在訓(xùn)練中所占的權(quán)重，基于Focal loss挖掘后的訓(xùn)練數(shù)據(jù)，使用Yolov3網(wǎng)絡(luò)訓(xùn)練甲狀腺結(jié)節(jié)檢測(cè)模型。

所述降噪模塊具體用于：

對(duì)甲狀腺超聲圖像進(jìn)行灰度化處理，得到二值化后圖像；

在二值化圖像基礎(chǔ)上，進(jìn)行圖像開(kāi)運(yùn)算，即先對(duì)圖像腐蝕后對(duì)圖像膨脹，完成對(duì)甲狀腺超聲圖像數(shù)據(jù)降噪。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述系統(tǒng)進(jìn)一步包括：

測(cè)試模塊，用于將所述甲狀腺超聲圖像測(cè)試數(shù)據(jù)輸入到甲狀腺結(jié)節(jié)檢測(cè)模型，如果甲狀腺結(jié)節(jié)檢測(cè)模型輸出結(jié)果為有甲狀腺結(jié)節(jié)，則將置信度高于預(yù)定值的甲狀腺超聲圖像輸入到所述甲狀腺結(jié)節(jié)良惡識(shí)別模型，并輸出最終的甲狀腺結(jié)節(jié)良惡結(jié)果；如果甲狀腺結(jié)節(jié)檢測(cè)模型輸出結(jié)果為無(wú)甲狀腺結(jié)節(jié)，則直接輸出結(jié)果；對(duì)所述甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型最終輸出的結(jié)果進(jìn)行檢測(cè)，從而對(duì)所述甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型進(jìn)行檢測(cè)，如果檢測(cè)通過(guò)，最終得到訓(xùn)練好的甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型；

檢測(cè)模塊，用于通過(guò)訓(xùn)練好的甲狀腺結(jié)節(jié)自動(dòng)檢測(cè)模型對(duì)甲狀腺超聲圖像進(jìn)行自動(dòng)檢測(cè)。