[發明專利]甲狀腺結節自動檢測模型構建方法、系統及裝置

在審

• 申請號: 202010417220.X
• 申請日: 2020-05-18
• 公開（公告）號: CN111598875A
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 杜強;黃丹;郭雨晨;聶方興;張興;唐超
• 申請（專利權）人: 北京小白世紀網絡科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 李斌

本發明公開了一種基于卷積神經網絡的甲狀腺結節自動檢測模型構建方法、系統及裝置，方法包括：對甲狀腺超聲圖像數據降噪，獲得甲狀腺超聲圖像訓練數據集；基于訓練數據集，使用Yolov3網絡訓練甲狀腺結節檢測模型；基于訓練數據集，使用Resnet網絡訓練甲狀腺結節良惡識別模型；將甲狀腺結節檢測模型和甲狀腺結節良惡識別模型融合，生成甲狀腺結節自動檢測模型。

技術領域

本發明涉及人工智能技術領域，尤其是涉及一種基于卷積神經網絡的甲狀腺結節自動檢測模型構建方法、系統及裝置。

背景技術

過去20年中甲狀腺結節的檢測日益增多，正如大多數結節一樣，準確判別甲狀腺結節及結節性對患者至關重要，一方面可以大幅減低患者在此檢測的醫療費用，避免使用穿刺、活檢等代價更為昂貴痛苦手段；更為重要的是，結節的確診及其良惡性的準確診斷對于病人的治療十分關鍵。超聲是甲狀腺結節檢測的常用手段，放射科專家歸納出檢測惡性腫瘤的超聲特征，這些特征包括低回聲、無光暈、微鈣化、堅實、結節內血流流動等。基于這些特征，制定出國際通用的甲狀腺成像報告和數據系統(TI-RADS)標準，這些標準將甲狀腺結節和惡性腫瘤進行了嚴格分類，以供放射科醫生參考使用。TI-RADS將甲狀腺結節劃分2、3、4a、4b、4c和5共六類，分別意味著無結節、可能為良性結節、有一項可疑特征、有兩項可疑特征、有三項或更多項可疑特征、及可能為惡性結節。然后以TI-RADS標準來評估作為目前超聲診斷甲狀腺惡性結節的標準是耗時的，而且效果不是很好，檢測的準確性往往和醫生的個人經驗十分相關，且甲狀腺結節回聲模式的變化限制了放射科醫師的判斷能力。

另一方面，因為超聲圖像中包含的超聲特征可以數字化處理，這樣使用機器學習方法進行自動檢測便自然而生了，因此基于圖像特征的自動或半自動分類系統將是可能的。使用機器學習首先要提取圖像特征，許多利用不同的方法手工提取甲狀腺超聲圖像特征在近年來被廣泛研究。使用提取的特征，通過現有的機器學習分類器執行監督分類任務，常用的如支持向量機，從而進行甲狀腺結節自動檢測任務。但是這種機器學習方法在提取特征時，需要大量人力及有經驗的專家，耗時費力且抽取到的特征效果不是很好。

隨著深度學習的復興，使用卷積神經網絡(CNN)來自動提取特征成為處理圖像自動識別、檢測、分割等任務通用方法。使用CNN抽取特征有兩大優點，一是，用CNN抽取特征是通過網絡自動學習得到的，不需要人工抽取，十分簡單易行，因此相比機器學習方法手工抽取有效太多；二是，用CNN抽取的特征更具魯棒性，可以適應如由于攝像機鏡頭、不同的光照條件、不同的姿勢、部分遮擋的存在、水平和垂直移動而導致的形狀變化等導致圖像變化，獲得更好的效果。因此使用CNN進行甲狀腺結節進行自動識別工作的研究陸續有人發表，取得了十分好的效果。

從目前的研究現狀來看，雖然關于甲狀腺結節良惡性的研究已有進行，但是在實際工作中，需要先定位甲狀腺結節的位置，然后才能進行甲狀腺結節的良惡性識別，在這方面的工作有所缺失，因此關于甲狀腺結節的自動檢測需進一步研究。

發明內容

本發明的目的在于提供一種基于卷積神經網絡的甲狀腺結節自動檢測模型構建方法、系統及裝置，旨在解決現有技術中的上述問題。

本發明提供一種基于卷積神經網絡的甲狀腺結節自動檢測模型構建方法，包括：

對甲狀腺超聲圖像數據降噪，獲得甲狀腺超聲圖像訓練數據集；

基于訓練數據集，使用Yolov3網絡訓練甲狀腺結節檢測模型；

基于訓練數據集，使用Resnet網絡訓練甲狀腺結節良惡識別模型；

將甲狀腺結節檢測模型和甲狀腺結節良惡識別模型融合，生成甲狀腺結節自動檢測模型。

本發明提供一種基于卷積神經網絡的甲狀腺結節自動檢測模型構建系統，包括：

降噪模塊，用于對甲狀腺超聲圖像數據降噪，獲得甲狀腺超聲圖像訓練數據集；