[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

本公開提供了基于深度學習檢測甲狀腺超聲圖像中結節的方法，對甲狀腺超聲圖像預處理操作；將預處理后的甲狀腺超聲圖像特征提取，獲取特征圖像；將獲取的特征圖像分別輸入至對應的分類與回歸結構，獲取針對每張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；對待訓練模型進行訓練以及測試操作。該方法提供了一種無需設置anchor box、高效的對甲狀腺超聲圖像中結節區域進行檢測的方法，避免與anchor box相關的計算與資源浪費、加快訓練速度，增強實驗結果泛化性能。本公開還提出基于深度學習檢測甲狀腺超聲圖像中結節的裝置。

技術領域

本公開涉及計算機生物學技術領域，具體而言，涉及基于深度學習檢測甲狀腺超聲圖像中結節的方法和裝置。

背景技術

目前已有很多運用深度學習方法在醫療圖像上進行輔助診斷的技術，針對甲狀腺超聲圖像中甲狀腺結節的輔助診斷，常用的深度學習方法可以分為兩類：一種是基于區域候選網絡的雙階段檢測器，另一種是不基于區域候選網絡的單階段檢測器。兩種方法概括來說均需要以下步驟：首先獲得超聲圖像經過卷積神經網絡提取特征后的特征圖；其次在特征圖上設置錨點(anchor)和一定數量、尺寸的錨框(anchor box)；最后進行錨框的位置回歸算法以及類別劃分算法，完成甲狀腺超聲圖像中的結節檢測。

但是，現有技術方案中，具有以下兩點缺點：(1)需要在實驗前設置三種尺寸為64,128和256,三種比例為1:2,1:1和2:1的anchor box，然而，由于實際情況中，輸入甲狀腺超聲圖像的尺寸不固定、圖像內結節區域大小不一，anchor box的尺寸、寬高比、個數等超參數會給實驗結果帶來很大的影響，在實際輔助診斷的過程中面臨著巨大的考驗。(2)為了給實驗結果帶來較高的召回率，在一張圖像中往往會設置大量且密集的anchor box，顯而易見的是，每一張甲狀腺超聲圖像中結節數量是極少的，往往是個位數，大量的anchor box在訓練階段的類別劃分時會帶來極大的正負樣本類別不均衡問題，并且在訓練與測試階段計算IoU時會加劇計算量且消耗內存資源。

總體來說，現有技術會面臨實驗結果泛化性能不夠好、模型訓練過程緩慢、計算資源浪費等問題。

發明內容

為了解決現有技術中的技術問題，本公開實施例提供了基于深度學習檢測甲狀腺超聲圖像中結節的方法和裝置，能夠無需設置anchor box，并且采用一種加快anchor box回歸的算法，最大限度的加快模型訓練速度、增強實驗結果泛化性能。

第一方面，本公開實施例提供了基于深度學習檢測甲狀腺超聲圖像中結節的方法，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。

在其中一個實施例中，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。

在其中一個實施例中，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。

在其中一個實施例中，所述分類與回歸結構由分類網絡和回歸網絡構成。