[發明專利]一種基于參數遷移的甲狀腺結節識別模型訓練方法及系統

在審

• 申請號: 202110620765.5
• 申請日: 2021-06-03
• 公開（公告）號: CN113421228A
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 王紅;楊杰;王正軍;滑美芳;楊雪;李剛
• 申請（專利權）人: 山東師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G16H30/20;G16H30/40;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 閆偉姣

本發明公開了一種基于參數遷移的甲狀腺結節識別模型訓練方法及系統，所述方法包括：獲取帶標記的源域數據和甲狀腺結節超聲圖像；采用所述源域數據對卷積神經網絡進行預訓練，得到預訓練模型參數；在所述卷積神經網絡的基礎上對全連接層進行增減，保留的層采用預訓練模型參數，以甲狀腺結節超聲圖片作為輸入，對修改后的卷積神經網絡進行訓練，得到甲狀腺結節識別模型，用于對甲狀腺結節進行識別，輔助診斷。本發明通過引入遷移學習的思想，解決了因甲狀腺結節影響數據目標識別難度大，特征不明顯從而難以訓練的問題。

技術領域

本發明屬于計算機輔助醫療技術領域，尤其涉及一種基于參數遷移的甲狀腺結節識別模型訓練方法及系統。

背景技術

本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技術。

隨著科技的不斷進步，醫學影像采集愈加便利和精準，成為醫生診斷患者病情的直接依據。對于甲狀腺結節的檢查目前主要依靠超聲，相較于CT和核磁，超聲的好處是便宜、靈活、實時、無副作用；但缺點是圖像不清楚、噪音比較大，這對醫生的要求就比較高。而CT和核磁的優點是圖像清晰，缺點是檢測費用高、副作用比較大。基于此，我們就選擇了基于甲狀腺結節超聲影像的識別和診斷。傳統的醫學影像的診斷的工作流程大體是這樣的：首先將非結構化影像數據進行識別、分析與處理，提取相關信息；其次，將大量臨床影像數據和診斷經驗輸入人工智能模型，使神經元網絡進行深度學習訓練；最后，基于不斷驗證、總結與迭代的算法模型，進行影像診斷智能推理，輸出個性化的診療判斷結果。

發明人發現現有技術中存在以下技術問題：

深度學習雖然在圖像識別領域中大放異彩，但卻需要大量的數據進行訓練。而在醫療影像識別領域中，由于涉及到病人隱私等原因，往往很難得到大量的優質的圖像數據，因此難以取得好的效果。

同時，為了取得更優異的效果，深度學習的網絡結構也越來越深，因此耗費了更多的計算資源，并且使用了更多的參數，導致更多的內存占用，造成了極大的顯存開銷。這非常不利于深度學習在醫學影像領域的推廣落地。

而針對于甲狀腺結節診斷任務，由于超聲圖像存在著對比度低、灰度不均勻、斑點噪聲較嚴重、邊緣模糊等一些缺陷，并且不同的檢測設備和使用習慣等因素也會造成誤差，使得甲狀腺結節診斷模型的訓練更加困難；再者，獲取充足的甲狀腺結節超聲影像作為訓練數據較為困難，且標注成本很高，這些都導致甲狀腺結節超聲診斷的任務難度更高。因此，甲狀腺結節診斷任務與其他的圖像分類任務相比，挑戰更大，目前未解決的難題更多。

發明內容

為克服上述現有技術的不足，本發明提供了一種基于參數遷移的甲狀腺結節識別模型訓練方法及系統。

為實現上述目的，本發明的一個或多個實施例提供了如下技術方案：

一種基于參數遷移的甲狀腺結節識別模型訓練方法，包括以下步驟：

獲取帶標記的源域數據和甲狀腺結節超聲圖像；

采用所述源域數據對卷積神經網絡進行預訓練，得到預訓練模型參數；

在所述卷積神經網絡的基礎上對全連接層進行增減，保留的層采用預訓練模型參數，以甲狀腺結節超聲圖片作為輸入，對修改后的卷積神經網絡進行訓練，得到甲狀腺結節識別模型。

一個或多個實施例提供了一種基于參數遷移的甲狀腺結節識別模型訓練系統，包括：

訓練數據獲取模塊，被配置為：獲取已進行數據標記的源域數據和甲狀腺結節超聲圖像；

預訓練模塊，被配置為：采用所述源域數據對卷積神經網絡進行預訓練，得到預訓練模型參數；

遷移訓練模塊，被配置為：在所述卷積神經網絡的基礎上對全連接層進行增減，保留的層采用預訓練模型參數，以甲狀腺結節超聲圖片作為輸入，對修改后的卷積神經網絡進行訓練，得到甲狀腺結節識別模型。