The invention discloses a thyroid tumor ultrasonic image recognition method and its device. The method comprises: selecting the tumor area in the thyroid tumor ultrasonic image and expanding a certain edge range, cutting, labeling benign and malignant tumor, forming a training set of the cut image, training the selected convoluted neural network with the training set. The thyroid tumor ultrasound image recognition model is formed by collaterals, and the thyroid tumor ultrasound image to be recognized is obtained. After selecting the tumor area and expanding a certain range of edges, the thyroid tumor ultrasound image recognition model is used for benign and malignant identification. The method and device of the invention are used for assisting doctors to diagnose the benign and malignant thyroid tumors, and the accuracy is more than 90% in the benign and malignant detection test of thyroid tumors with ultrasonic images, which is of great reference significance for clinical diagnosis.
【技术实现步骤摘要】
一种甲状腺肿瘤超声图像识别方法及其装置
本专利技术涉及图像识别领域,特别涉及一种基于深度学习的甲状腺肿瘤超声图像识别方法及其装置。
技术介绍
流行病学研究表明,甲状腺癌是女性最常见的恶性肿瘤之一,近年来其发病率迅速上升。甲状腺乳头状癌(PTC)是甲状腺癌的主要病理类型,占据发病率很大比重。超声图像被广泛认为是甲状腺结节筛查的主要诊断工具和PTC术前评估方法。像微钙化、固体成分高、边缘与形状不规则等超声图像特点就是PTC考虑的典型情况。而实际操作过程中最大的局限是操作者的依赖性,不同经验水平的放射科医师的判断准确率不同。这使得图像的双重阅读对降低误诊率很有必要,但不是每个卫生部门都拥有最有经验的放射科医师,客观和一致的方法可以提供宝贵的意见并帮助无经验的放射科医师。机器学习(ML)被定义为一组自动检测数据中的模式,然后利用发现的模式来预测未来的数据或在不确定的条件下进行决策的方法。深度学习作为机器学习的一部分,利用人工神经网络(尤其是卷积神经网络),目前广泛应用医疗保健的多个方面,尤其是癌症图像诊断与分析中。医院拥有大量的甲状腺超声图片,拥有大量的专业医师对其良恶性进行准确的标注,对甲状腺超声图片采用深度学习方法进行甲状腺癌诊断可以取得很好的效果,但是对于现有的甲状腺超声图片如何选取有效的区域能提高图像识别的准确率是一个有待解决的问题。现有的深度学习在医疗图像中的应用主要有两种方案:1)对于病例图片较多的情况,采用直接训练或利用微调预训练模型参数的方式训练网络;2)对于病例图片较少的情况主要采用迁移学习方法来训练模型。两种方法均考虑了相关疾病的静态特征,即数 ...
【技术保护点】
1.一种甲状腺肿瘤超声图像识别方法,其特征在于,包括:选取甲状腺肿瘤超声图像中的肿瘤区域并扩增一定边缘范围后切割,进行良恶性标注,将切割下来的图像组成训练集;用训练集训练选定的卷积神经网络形成甲状腺肿瘤超声图像识别模型;获取待识别的甲状腺肿瘤超声图像,选取肿瘤区域并扩增一定边缘范围后,用所述甲状腺肿瘤超声图像识别模型进行良恶性识别。
【技术特征摘要】
1.一种甲状腺肿瘤超声图像识别方法,其特征在于,包括:选取甲状腺肿瘤超声图像中的肿瘤区域并扩增一定边缘范围后切割,进行良恶性标注,将切割下来的图像组成训练集;用训练集训练选定的卷积神经网络形成甲状腺肿瘤超声图像识别模型;获取待识别的甲状腺肿瘤超声图像,选取肿瘤区域并扩增一定边缘范围后,用所述甲状腺肿瘤超声图像识别模型进行良恶性识别。2.如权利要求1所述的甲状腺肿瘤超声图像识别方法,其特征在于,所述一定边缘范围是使切割图像形成正方形的边缘范围。3.如权利要求1所述的甲状腺肿瘤超声图像识别方法,其特征在于,所述选定的卷积神经网络为InceDtion-V3网络。4.如权利要求1所述的甲状腺肿瘤超声图像识别方法,其特征在于,还包括使用ImageNet数据集对所述选定的卷积神经网络进行预训练。5.如权利要求1所述的甲状腺肿瘤超声图像识别方法,其特征在于,采用带mini-batch的随机梯度下降法对所述选定的卷积神经网络进行训练。6.如权利要求1所述的甲状腺肿瘤超声图像识别方法,其特征在于,所述选取甲状腺肿瘤超声图像中的肿瘤区域是根据接收到的边界信号进行的,所述扩增一定边缘范围是根据限定的边缘长度值和宽度值进行的...
【专利技术属性】
技术研发人员:向俊,卢宏涛,官青,王芬,王蕴珺,李端树,杜佳俊,秦宇,
申请(专利权)人:复旦大学附属肿瘤医院,上海交通大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。