[發明專利]一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法

有效

• 申請號: 202110299531.5
• 申請日: 2021-03-22
• 公開（公告）號: CN112669320B
• 公開（公告）日: 2021-08-13
• 發明（設計）人: 章毅;趙禎;皮勇;蔡華偉;魏建安;蔣麗莎
• 申請（專利權）人: 四川大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 謝建

1.一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法，其特征在于，包括如下步驟：

步驟1、數據獲取：采集SPECT甲狀腺顯像圖像,然后進行數據標注和數據集劃分：

步驟1a、數據標注：將SPECT甲狀腺顯像圖像上呈現出的攝取模式分為彌漫增高、彌漫減低、局部增高、局部減低、分布不均和正常的六種，確認每一張SPECT甲狀腺顯像圖像的呈現出的攝取模式；

步驟2b、數據集劃分:將數據標注后的SPECT甲狀腺顯像圖像集分為訓練集和驗證集；

步驟2、深度神經網絡模型構建:

步驟2a、數據預處理：將步驟1處理的SPECT甲狀腺顯像圖像根據窗寬窗位進行歸一化操作，包含人體肩部以上范圍的標準的SPECT甲狀腺顯像圖像表示為原始圖像；甲狀腺區域通常表現為比其它區域更亮，使用基于閾值的方法從原始圖像中提取出甲狀腺區域，甲狀腺區域用ROI圖像表示；

步驟2b、深度神經網絡模型設計：設計的深度神經網絡模型，深度神經網絡模型包含深度特征提取模塊、人工設計特征提取模塊和特征融合與分類模塊；首先使用深度特征提取模塊從原始圖像和ROI圖像進行深度特征提取，然后使用人工特征提取模塊從ROI圖像中提取人工特征，最后使用特征融合與分類模塊對深度特征和人工特征進行融合再進行分類；

步驟2c、深度神經網絡模型訓練：使用訓練集的數據采用反向傳播算法對深度神經網絡模型進行訓練；

步驟3、模型驗證：在神經網絡模型訓練完成之后，通過驗證集的數據評價神經網絡模型，直至深度神經網絡模型能夠自動識別SPECT甲狀腺顯像圖像為六種甲狀腺攝取模式的一種為止，得到最優深度神經網絡模型；評價指標包括Accuracy、Sensitivity、Precision三個指標，其定義如下：

式中，TP表示真陽性樣本的數量、TN表示真陰性樣本數量、FP表示假陽性樣本數量、FN表示假陰性樣本數量；

步驟4、輸入采集到的SPECT甲狀腺顯像圖像到最優深度神經網絡模型，診斷出SPECT甲狀腺顯像圖像的甲狀腺攝取模式。

2.根據權利要求1所述的一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法，其特征在于，步驟1中，SPECT甲狀腺顯像圖像采集：收集由SPECT/CT設備采集的患者甲狀腺顯像圖像。

3.根據權利要求2所述的一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法，其特征在于，步驟1中，所述數據集劃分：將標注后的數據集按照4：1分為訓練集和驗證集。

4.根據權利要求1所述的一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法，其特征在于，步驟2b中，深度特征提取模塊由一系列卷積層、批標注準 層、ReLU激活函數、最大池化層和全連接層構成，用于從原始圖像和ROI圖像中提取抽象特征。

5.根據權利要求4所述的一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法，其特征在于，步驟2b中，對ROI圖像進行人工特征提取，提取了五個基于灰度共生矩陣的特征，五個特征分別是能量、熵、相關性、同質度和對比度，同時還提取了hu不變矩，將這些特征拼接后，再使用一個包含兩層全連接層的網絡對特征進行非線性映射，得到最終的人工特征。

6.根據權利要求5所述的一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法，其特征在于，步驟2b中，特征融合與分類模塊首先將深度特征和人工特征通過拼接進行融合，然后使用一個淺層網絡對齊進行分類，這個淺層網絡由一個Dropout層、一個ReLU激活函數和一個全連接層構成。