[發(fā)明專利]一種甲狀腺超聲視頻自動分析方法與系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011395921.4
• 申請日: 2020-12-03
• 公開（公告）號: CN112419396A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設(shè)計(jì)）人: 張坤;王煜辰;常實(shí);李鐘毓;楊猛;吳葉楠;房亮
• 申請（專利權(quán)）人: 前線智能科技(南京)有限公司
• 主分類號: G06T7/62
• 分類號: G06T7/62;G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 安彥彥

一種甲狀腺超聲視頻自動分析方法及系統(tǒng)，標(biāo)注出甲狀腺超聲視頻中結(jié)節(jié)出現(xiàn)幀段，取出對應(yīng)幀段后的圖片，進(jìn)行處理，計(jì)算相似度，篩除相似度過高的圖片，得到數(shù)據(jù)集E；利用數(shù)據(jù)集E訓(xùn)練深度學(xué)習(xí)模型，得到判斷甲狀腺圖像的分類模型，記作模型E；若甲狀腺超聲視頻中所有圖片均無甲狀腺結(jié)節(jié)，則甲狀腺超聲視頻的分類結(jié)果為無甲狀腺結(jié)節(jié)，置信度為100％；若甲狀腺超聲視頻中檢測到含有甲狀腺結(jié)節(jié)的圖片，則分類結(jié)果為通過模型E計(jì)算得到的第一類結(jié)節(jié)圖片置信度的大小。本發(fā)明采用深度學(xué)習(xí)的方法，具有從甲狀腺視頻數(shù)據(jù)中自我學(xué)習(xí)有效信息的能力，從而在數(shù)據(jù)中挖掘復(fù)雜的關(guān)聯(lián)模式。實(shí)現(xiàn)更高效的波形特征提取和更好的分類結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及一種分析方法，具體涉及一種甲狀腺超聲視頻自動分析方法與系統(tǒng)。

背景技術(shù)

甲狀腺腫瘤是一種常見的腫瘤，近些年來甲狀腺癌的發(fā)病率逐年高升，甲狀腺惡性腫瘤占收治惡性腫瘤的百分之十以上，遠(yuǎn)高于其他頭頸部腫瘤，甲狀腺腫瘤受到了臨床人員和研究人員的廣泛關(guān)注。

患者通常需要在醫(yī)院或者體檢中心進(jìn)行甲狀腺超聲數(shù)據(jù)采集和分類，存在檢測不方便、檢測頻率低等缺點(diǎn)，近些年，隨著網(wǎng)絡(luò)、智能設(shè)備的發(fā)展，使得基層診所、甚至家用個(gè)人超聲視頻檢測儀的推出成為了可能；甲狀腺癌具有巨大危害性、常見性等特點(diǎn)；甲狀腺腫瘤在診斷過程中主要依靠超聲視頻以及病理穿刺檢查，而超聲視頻適合計(jì)算機(jī)分析、處理，作為最貼近臨床診斷的數(shù)據(jù)，超聲視頻中包含了甲狀腺病理情況的大量特征信息，比如結(jié)節(jié)的邊緣輪廓、大小，以及形態(tài)變化等，利用這些信息，可以分析出很多甲狀腺的信息，故甲狀腺超聲視頻自動分析方法作為一種視頻分析方法具有較高的實(shí)用意義。

發(fā)明內(nèi)容

為克服現(xiàn)有技術(shù)中的問題，本發(fā)明的目的是提供一種甲狀腺超聲視頻自動分析方法與系統(tǒng)，根據(jù)甲狀腺超聲視頻數(shù)據(jù)，從多尺度出發(fā)，使用神經(jīng)網(wǎng)絡(luò)對甲狀腺視頻進(jìn)行分類并給出置信度，對甲狀腺結(jié)節(jié)進(jìn)行細(xì)粒度分割，以及對結(jié)節(jié)縱橫比等做出判斷。

為實(shí)現(xiàn)上述目的，本發(fā)明采用如下的技術(shù)方案：

一種甲狀腺超聲視頻自動分析方法，包括以下步驟：

采集甲狀腺超聲視頻以及相應(yīng)的甲狀腺的穿刺檢查結(jié)果，并從甲狀腺視頻中提取出圖片的位置信息；

標(biāo)注出甲狀腺超聲視頻中結(jié)節(jié)出現(xiàn)幀段，取出對應(yīng)幀段后的圖片，并進(jìn)行處理得到超聲圖片，計(jì)算超聲圖片之間的相似度，篩除相似度過高的圖片，得到集合P；集合P中圖片和每張圖片對應(yīng)的結(jié)節(jié)標(biāo)注區(qū)域圖片構(gòu)成數(shù)據(jù)集，根據(jù)數(shù)據(jù)集中的每張圖片對應(yīng)的結(jié)節(jié)標(biāo)注區(qū)域圖片的結(jié)節(jié)標(biāo)注區(qū)域像素?cái)?shù)量將數(shù)據(jù)集分為數(shù)據(jù)集A、數(shù)據(jù)集B與數(shù)據(jù)集C；

利用數(shù)據(jù)集A、數(shù)據(jù)集B與數(shù)據(jù)集C分別訓(xùn)練深度學(xué)習(xí)模型，得到模型A、模型B與模型C；

將數(shù)據(jù)集A、數(shù)據(jù)集B與數(shù)據(jù)集C中的超聲圖片標(biāo)注的結(jié)節(jié)區(qū)域位置信息圖片灰度化，作為數(shù)據(jù)集A，數(shù)據(jù)集B，數(shù)據(jù)集C中圖片的第四個(gè)通道，得到數(shù)據(jù)集NA、數(shù)據(jù)集NB與數(shù)據(jù)集NC，將數(shù)據(jù)集NA、數(shù)據(jù)集NB與數(shù)據(jù)集NC合在一起，記作數(shù)據(jù)集N，將數(shù)據(jù)集N按照穿刺檢查結(jié)果將對應(yīng)數(shù)據(jù)集中的數(shù)據(jù)打上兩類標(biāo)簽，得到數(shù)據(jù)集E；

按照Efficient-net b7結(jié)構(gòu)，構(gòu)建深度學(xué)習(xí)模型，利用數(shù)據(jù)集E訓(xùn)練深度學(xué)習(xí)模型，得到判斷甲狀腺圖像的分類模型，記作模型E；

若甲狀腺超聲視頻中所有圖片均無甲狀腺結(jié)節(jié)，則甲狀腺超聲視頻的分類結(jié)果為無甲狀腺結(jié)節(jié)，置信度為100％；若甲狀腺超聲視頻中檢測到含有甲狀腺結(jié)節(jié)的圖片，則分類結(jié)果為通過模型E計(jì)算得到的第一類結(jié)節(jié)圖片置信度的大小。

本發(fā)明進(jìn)一步的改進(jìn)在于，將取出的對應(yīng)幀段后的圖片記作圖片1，對圖片1先使用Canny算子提取圖像邊框信息，然后使用閉操作，再使用開操作，最后計(jì)算每一個(gè)封閉邊框的面積，面積最大的邊框記作邊框1，邊框1在圖片1中對應(yīng)的部分是超聲圖片。