[發(fā)明專利]一種基于深度學(xué)習(xí)的甲狀腺惡性結(jié)節(jié)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010417483.0
• 申請(qǐng)日: 2020-05-18
• 公開（公告）號(hào): CN112001877A
• 公開（公告）日: 2020-11-27
• 發(fā)明（設(shè)計(jì)）人: 李雪威;曾晨;于瑞國(guó);劉志強(qiáng);喻梅;高潔;徐天一;查濤
• 申請(qǐng)（專利權(quán)）人: 天津大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G16H30/20;G06N3/04
• 代理公司: 天津盛理知識(shí)產(chǎn)權(quán)代理有限公司 12209
• 代理人: 霍慧慧

1.一種基于深度學(xué)習(xí)的甲狀腺惡性結(jié)節(jié)檢測(cè)方法，其特征在于：所述方法的步驟為：

1)用python編寫程序讀取超聲波圖像數(shù)據(jù)，進(jìn)行預(yù)處理；

2)采用Faster-RCNN算法構(gòu)建目標(biāo)檢測(cè)網(wǎng)絡(luò)，調(diào)整并訓(xùn)練模型；

3)采用RetinaNet算法構(gòu)建目標(biāo)檢測(cè)網(wǎng)絡(luò)，調(diào)整并訓(xùn)練模型；

4)檢測(cè)并評(píng)估兩種算法構(gòu)建的目標(biāo)檢測(cè)網(wǎng)絡(luò)，比較效果、分析結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的甲狀腺惡性結(jié)節(jié)檢測(cè)方法，其特征在于：所述步驟1)對(duì)超聲波圖像數(shù)據(jù)預(yù)處理的具體操作為：

a、圖片剪除，將輸入的超聲波圖像中含有的如設(shè)備名稱型號(hào)及患者隱私信息等額外標(biāo)記進(jìn)行剪除；

b、將圖片存入JPEGImages文件并統(tǒng)一格式命名，生成Main文件夾下的.txt文件，包括驗(yàn)證集、訓(xùn)練集、測(cè)試集圖片編號(hào)；

c、使用labelImg工具給圖片打標(biāo)簽，給目標(biāo)物體建立box邊框再保存生成.xml文件，包括目標(biāo)的類名、以及預(yù)測(cè)邊框的坐標(biāo)。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的甲狀腺惡性結(jié)節(jié)檢測(cè)方法，其特征在于：所述步驟2)調(diào)整并訓(xùn)練模型的具體操作為：

a、采用BackBone網(wǎng)絡(luò)為VGG16，在ImageNet上預(yù)訓(xùn)練好的VGG16權(quán)重的基礎(chǔ)上進(jìn)行訓(xùn)練，以VOC2007數(shù)據(jù)集的格式為標(biāo)準(zhǔn)，制作針對(duì)甲狀腺超聲結(jié)節(jié)的圖像分類數(shù)據(jù)集；

b、將pascal_voc.py和demo.py中的目標(biāo)類別改為background和jiejie，將demo.py中的類別數(shù)改為2，計(jì)算數(shù)據(jù)集像素平均值，更新config.py中的pix_mean列表；

c、設(shè)置模型初始參數(shù)learningrate、batchsize、最大迭代次數(shù)及stepsize，根據(jù)檢測(cè)結(jié)果調(diào)整數(shù)據(jù)集、迭代次數(shù)及anchor的尺寸，當(dāng)預(yù)測(cè)目標(biāo)區(qū)域和真實(shí)目標(biāo)區(qū)域的交并比接近100％，模型的預(yù)測(cè)邊框和真實(shí)目標(biāo)區(qū)域越來越接近后，正式訓(xùn)練檢測(cè)模型。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的甲狀腺惡性結(jié)節(jié)檢測(cè)方法，其特征在于：所述步驟3)調(diào)整并訓(xùn)練模型的具體操作為：

a、采用的BackBone網(wǎng)絡(luò)為ResNet50，下載在ImageNet上預(yù)訓(xùn)練好的ResNet50的模型，將其存入對(duì)應(yīng)文件夾；

b、設(shè)置模型初始參數(shù)Scorethreshold及IoUthreshold，根據(jù)檢測(cè)結(jié)果調(diào)整數(shù)據(jù)集、迭代次數(shù)及anchor的尺寸，經(jīng)過多次調(diào)整后，正式訓(xùn)練檢測(cè)模型。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的甲狀腺惡性結(jié)節(jié)檢測(cè)方法，其特征在于：所述步驟4)檢測(cè)評(píng)估中用mAP作為評(píng)價(jià)指標(biāo)對(duì)算法的效果進(jìn)行評(píng)估及驗(yàn)證，同時(shí)需要計(jì)算模型的檢測(cè)準(zhǔn)確率、召回率及預(yù)測(cè)目標(biāo)框和真實(shí)目標(biāo)框的交并比(IoU)，計(jì)算公式如下：

其中：TP是指正樣本被正確識(shí)別為正樣本；

FP是負(fù)樣本被錯(cuò)誤識(shí)別為正樣本；

FN是正樣本被錯(cuò)誤識(shí)別為負(fù)樣本；

AP是公式(1)中Precision和公式(2)中Recall構(gòu)成的曲線圍成的面積；

k代表代表k個(gè)類別；

mAP是k個(gè)類別AP的平均值；

m代表mean，是對(duì)每個(gè)類的AP再求平均，得到的就是mAP的值。