一种基于多尺度特征融合的甲状腺结节分类方法技术

本发明专利技术涉及一种基于多尺度特征融合的甲状腺结节分类方法，其特征在于：所述方法的步骤为：1)获取原始甲状腺超声影像数据集，并对每一张超声影像进行处理；2)清洗原始超声影像数据集，去除不符合要求的影像，得到一个含有2000张高质量甲状腺结节超声影像的数据集；3)基于残差网络的甲状腺结节超声影像分类网络构建；4)将残差模块替换为多尺度融合模块；5)在残差网络的基础上，添加一个高分辨率通道；6)对基于多尺度特征融合与高分辨率通道的网络模型的分类效果进行分析。本发明专利技术设计科学合理，设计了多尺度特征和高分辨率通道相结合机制，提升网络性能。

A method of thyroid nodule classification based on multi-scale feature fusion

【技术实现步骤摘要】
一种基于多尺度特征融合的甲状腺结节分类方法
本专利技术属于深度学习和医疗影像处理领域，涉及甲状腺结节超声影像数据集的数据清洗技术、卷积神经网络技术，尤其涉及一种基于多尺度特征融合的甲状腺结节分类方法。
技术介绍
甲状腺结节是内分泌系统常见的疾病，18％的成年人身上携带甲状腺结节。尽管绝大多数的甲状腺结节都是良性的，但10％的病人长有恶性甲状腺结节，主要是甲状腺癌。近年来，甲状腺癌发病率快速上涨，目前位居全国癌症发病率的第七位。超声诊断是检查甲状腺结节良恶性的常见手段。但是，由于医生一般依赖于主观判断，缺乏客观标准，容易出现错误。深度学习，特别是卷积神经网络，在医疗影像上取得的突破证明了它在解决实际影像学问题上的有效性。一方面，卷积神经网络可以通过多层网络能够从医学影像提取特征，并利用这些特征在相关医学问题上得到远超其他方法的准确率；另一方面，基于医疗影像的深度学习方法可以高效地辅助影像科医生，大幅减轻医生的工作负担。前人的工作大多是利用卷积神经网络进行特征提取或者是在ImageNet上对进行微调。以上这些方法忽视了端到端训练的重本文档来自技高网...

【技术保护点】
1.一种基于多尺度特征融合的甲状腺结节分类方法，其特征在于：所述方法的步骤为：/n1)获取原始甲状腺超声影像数据集，并对每一张超声影像进行处理；/n2)清洗原始超声影像数据集，去除不符合要求的影像，得到一个含有2000张高质量甲状腺结节超声影像的数据集；/n3)基于残差网络的甲状腺结节超声影像分类网络构建；/n4)将残差模块替换为多尺度融合模块；/n5)在残差网络的基础上，添加一个高分辨率通道；/n6)对基于多尺度特征融合与高分辨率通道的网络模型的分类效果进行分析。/n

【技术特征摘要】
1.一种基于多尺度特征融合的甲状腺结节分类方法，其特征在于：所述方法的步骤为：
1)获取原始甲状腺超声影像数据集，并对每一张超声影像进行处理；
2)清洗原始超声影像数据集，去除不符合要求的影像，得到一个含有2000张高质量甲状腺结节超声影像的数据集；
3)基于残差网络的甲状腺结节超声影像分类网络构建；
4)将残差模块替换为多尺度融合模块；
5)在残差网络的基础上，添加一个高分辨率通道；
6)对基于多尺度特征融合与高分辨率通道的网络模型的分类效果进行分析。


2.根据权利要求1所述的基于多尺度特征融合的甲状腺结节分类方法，其特征在于：所述步骤1)中原始超声影像中的四周边界区域中包含隐私信息，裁剪掉边界区域。


3.根据权利要求1所述的基于多尺度特征融合的甲状腺结节...

【专利技术属性】
技术研发人员：于瑞国，刘树培，刘志强，高洁，于健，李雪威，喻梅，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12