[發明專利]一種基于深度學習分割網絡的甲狀腺結節侵襲性預測方法

有效

• 申請號: 202110307664.2
• 申請日: 2021-03-23
• 公開（公告）號: CN112950615B
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 鄭志強;王雨禾;翁智
• 申請（專利權）人: 內蒙古大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06T7/62;G06T5/00;G06V10/44;G06V10/764;G06K9/62
• 代理公司: 合肥市澤信專利代理事務所(普通合伙) 34144
• 代理人: 潘飛

1.一種基于深度學習分割網絡的甲狀腺結節侵襲性預測方法，其特征在于，所述方法包括如下步驟：

S1：采用自適應小波算法對臨床獲得的甲狀腺超聲圖像進行預處理，剔除圖像噪聲并在高頻域內保留圖像的邊緣信息，得到原始數據集；

S2：構建基于深度學習分割網絡的主體結構框架；所述主體結構框架包括生成對抗網絡模型和分類網絡模型；所述生成對抗模型為基于生成對抗思想的深度學習模型，所述生成對抗模型包括生成器模塊和判別器模塊；所述分類網絡模型采用ResNet網絡作為基線網絡；

S3：對主體結構框架中的生成對抗網絡模型進行改進；所述改進內容如下：

S31：將生成器模塊中的U-Net主干網替換為ResNeXt網絡模型，同時保留多尺度擴張卷積模塊；

S32：設置損失函數，對生成對抗網絡模型進行訓練，使得生成器模塊和判別器模塊的動態博弈過程達到納什均衡點；

S4：利用對抗訓練后的生成器模塊對甲狀腺結節進行精確地語義分割，在分割結果中，統計出結節面積、縱橫比、輪廓規則程度的信息；

S5：將生成器模塊輸出的蒙版進行二值化處理，再與原始圖像相乘得到根據蒙版裁剪出的結節區域的圖像信息，從而得到經過語義分割裁剪后的只含有結節的新的圖像數據集；

S6：基于采用ResNet網絡作為基線網絡的分類網絡模型，并對分類網絡模型的非線性表達能力進行改進提升，所述改進內容如下：

S61：在主體網絡全卷積網絡的基礎上，添加算法模型的激活函數；

S62：在ResNeXt模塊內增加通道注意力機制，在通道維度上差異化各特征圖的權重；

S7：利用改進后的分類網絡模型對甲狀腺結節的侵襲性的預測結果進行分類，并對分類網絡模型進行訓練更新，所述分類網絡模型的分類預測過程包括如下步驟：

S71：將所述生成對抗模型獲取的含有環境信息的原始圖像數據集和只含有結節的新的圖像數據集分別輸入到分類網絡模型中的特征提取網絡Net1和特征提取網絡Net2中；

S72：通過生成器語義分割結果輸出結節結節面積、縱橫比、輪廓規則系數；

S73：將每個特征提取網絡提取的特征通過全局平均池化進行特征拼接，再與生成對抗網絡所提取到的縱橫比、結節面積、輪廓規則系數的信息進行拼接，進而輸入到全連接層中進行分類，并給出最終的甲狀腺結節侵襲性預測結論；所述甲狀腺結節侵襲性預測結論包括惡性有侵襲、惡性無侵襲以及良性結節三類；

S74：采用動態學習率和早停法對分類網絡模型進行訓練，并驗證訓練模型的準確率，保存驗證集中準確率最高的模型作為最終的分類網絡模型。

2.如權利要求1所述的基于深度學習分割網絡的甲狀腺結節侵襲性預測方法，其特征在于：所述步驟S1中超聲甲狀腺圖像的預處理方法中自適應小波算法的設計過程如下：

S11：設置小波閾值函數的傳統表達式為：

上式中，δ為閾值，M為對應層小波域內小波系數總個數，σ為小波域噪聲的標準差；

S12：設計小波系數的變換函數使得當小波系數w的絕對值小于等于小波閾值δ時，該系數置零；當小波系數w的絕對數值大于δ時，對該系數進行縮減，達到軟閾值去噪作用，所述小波系數的變換函數的表達式為：

上式中，δ為閾值，w為小波系數；

S13：在各分解層中引入對應的影響因子，從而將小波閾值函數改進為自適應閾值函數，滿足動態濾波的需求；其中，改進后的小波閾值函數的表達式為：

上式中，δ為閾值，e^c表示第c個分解層中引入的對應的影響因子，σ為小波域噪聲的標準差；M為對應層小波域內小波系數總個數；

S14：將小波分解層的數量設置為3層，即c∈[1,2,3]。

3.如權利要求2所述的基于深度學習分割網絡的甲狀腺結節侵襲性預測方法，其特征在于：所述主體結構框架中的生產對抗網絡模型的目標函數為：

上式中，E(·)表示分布函數期望值，D(·)表示判斷圖片的置信度，G(·)表示生成的圖片，Pdata(x)表示真實樣本分布，Pz是定義的低維噪聲分布。