[發明專利]基于深度學習檢測甲狀腺超聲圖像中結節的方法和裝置

在審

• 申請號: 202011548496.8
• 申請日: 2020-12-24
• 公開（公告）號: CN112614108A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 羅渝昆;謝芳;林科汝;陳東浩;張艷;田曉琦;張穎;王筱斐;葉丹;任改霞;李發根;歐陽勇春
• 申請（專利權）人: 中國人民解放軍總醫院第一醫學中心;北京郵電大學;北京紅云智勝科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京挺立專利事務所(普通合伙) 11265
• 代理人: 高福勇

1.基于深度學習檢測甲狀腺超聲圖像中結節的方法，其特征在于，所述方法包括：

對甲狀腺超聲圖像進行預處理操作；

將預處理后的所述甲狀腺超聲圖像進行特征提取，以獲取特征圖像；

將獲取的所述特征圖像分別輸入至對應的分類與回歸結構，以獲取針對每張所述特征圖像中甲狀腺結節區域的具體位置信息；

對輸入至對應的分類與回歸結構中的所述特征圖像計算所產生的分類損失、中心點距離回歸損失以及偏移量損失，通過加權求和計算獲取待訓練模型的總體損失；

對所述待訓練模型進行訓練以及測試操作。

2.根據權利要求1所述的基于深度學習檢測甲狀腺超聲圖像中結節的方法，其特征在于，對甲狀腺超聲圖像進行預處理操作包括：對所述甲狀腺超聲圖像依次進行縮放、填充與歸一化處理操作。

3.根據權利要求1所述的基于深度學習檢測甲狀腺超聲圖像中結節的方法，其特征在于，將預處理后的所述甲狀腺超聲圖像進行特征提取，以獲取特征圖像包括：將預處理后的所述甲狀腺超聲圖像輸入至特征提取網絡進行特征提取，以獲取多尺度的特征圖；其中，所述特征提取網絡由殘差特征提取網絡和多尺度特征融合網絡構成。

4.根據權利要求1所述的基于深度學習檢測甲狀腺超聲圖像中結節的方法，其特征在于，所述分類與回歸結構由分類網絡和回歸網絡構成。

5.根據權利要求1所述的基于深度學習檢測甲狀腺超聲圖像中結節的方法，其特征在于，將獲取的所述特征圖像分別輸入至對應的分類與回歸結構，以獲取針對每張所述特征圖像中甲狀腺結節區域的具體位置信息包括：

所述特征圖像經過多個卷積模塊操作，提取到圖像的深層分類特征；其中，每個卷積模塊中包含卷積層、批歸一化層、非線性激活函數；

將深層分類特征經過感受野更大的卷積層，得到尺寸為W*H*1的張量；其中，所述特征圖像中每個特征點預測為結節區域的分類置信度，W*H為所述特征圖像的尺寸。

6.根據權利要求5所述的基于深度學習檢測甲狀腺超聲圖像中結節的方法，其特征在于，還包括：所述分類特征經過偏移量分支執行卷積層操作，提取到圖像的偏移量特征，得到所述特征圖像中每個預測框至目標框中心點的偏移量預測值。