一种基于深度学习的超声甲状腺结节智能评估方法技术

本发明专利技术涉及医疗AI技术领域。本发明专利技术公开了一种基于深度学习的超声甲状腺结节智能评估方法，采用自动端到端的深度学习方法，对甲状腺超声图片进行识别，获得甲状腺结节的所有信息，除了结节位置以外，还要获得结节的最重要的特性指标，包括成分，回声，形状，边界，点状强回声的信息，并直观的给出最后的评断与建议。

An intelligent assessment method of ultrasonic thyroid nodule based on deep learning

【技术实现步骤摘要】
一种基于深度学习的超声甲状腺结节智能评估方法
本专利技术属于医疗AI
，具体地涉及一种基于深度学习的超声甲状腺结节智能评估方法。
技术介绍
甲状腺结节是指在甲状腺内的肿块，可随吞咽动作随甲状腺而上下移动，是临床常见的病症，可由多种病因引起。临床上有多种甲状腺疾病，如甲状腺退行性变、炎症、自身免疫以及新生物等都可以表现为结节。甲状腺结节可以单发，也可以多发，多发结节比单发结节的发病率高，但单发结节甲状腺癌的发生率较高。对甲状腺结节的检查有很多种方式，其中，超声诊断是其中一种比较常用的检查方式，其在判别结节大小，鉴别结节部位、引导定位穿刺上很有意义。现有的超声波诊断方式都是采用超声波对患者的甲状腺进行超声波扫描形成甲状腺超声图片，然后医生对甲状腺超声图片进行人工识别判断，其存在的缺点是：诊断效率慢；医生工作量大，且对医生的经验水平要求较高，因此，能胜任的医生数量就有限，导致医生资源紧张，且费用成本较高。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的超声甲状腺结节智能评估方法来辅助医生分析判断甲状腺结节情况，以解决上述存在的技术问题。为实现上述目的，本专利技术采用的技术方案为：一种基于深度学习的超声甲状腺结节智能评估方法，其特征在于，包括如下步骤：S1，对甲状腺超声图片进行数据标注；S2，对已标注的图片进行数据增强处理；S3，采用resnet34作为特征提取的骨干网络对步骤S2中的数据进行特征提取；S4，采用建议网络RPN结合步骤S3得到的所有特征图生成区域建议框；S5，求得目标的边框位置和属于目标的分类概率；S6，将步骤S5中分类概率P>M的目标的边框认为是有效目标，截取目标边框，作为输入图片，其中，M为阈值；S7，用ConvNet对输入图片进行特征提取，得到featuremap；S8，将步骤S7得到的特征作为不同任务的共享特征，分别输入不同的任务分类函数；S9，训练时，设定损失函数L，每个任务的分类函数如下所示：L＝α1L1+α2L2+α3L3+α4L4+α5L5α1，α2…α5对应着每个任务的权重；L1…L5＝-∑tilnyiyi为输出层softmax的值，ti值为0或1，属于真实目标为1，否则为0；S10，对不同的分类进行分数统计，根据得分判断风险等级，从而给出进一步的诊疗建议。进一步的，步骤S1中，数据标注的信息包括结节位置、成分、回声、形状、边界和点状强回声。进一步的，步骤S2中，对数据较少的分类数据进行增强以达到数据平衡。进一步的，步骤S7中，ConvNet包含卷积层Conv，ReLU和pooling。进一步的，步骤S6中，M为0.8。进一步的，步骤S10中，对不同的分类进行分数统计的公式如下TR＝CLASS1+CLASS2+CLASS3+CLASS4+CLASS5其中，TR为甲状腺风险等级分数，CLASS1至CLASS5分别为成分、回声、形状、边界和点状强回声的得分数值。本专利技术的有益技术效果：本专利技术采用自动端到端的深度学习方法，对甲状腺超声图片进行自动识别，获得甲状腺结节的所有信息，并直观的给出最后的评断与建议，辅助医生进行分析判断，减少了医生工作量，降低了对医生的要求，提高了诊断效率，降低了费用成本。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的方法流程图；图2为本专利技术具体实施例的采用建议网络RPN得到区域建议边框的示意图；图3为本专利技术具体实施例的ConvNet的网络结构示意图。具体实施方式为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。现结合附图和具体实施方式对本专利技术进一步说明。如图1所示，一种基于深度学习的超声甲状腺结节智能评估方法，其特征在于，包括如下步骤：S1，对甲状腺超声图片进行数据标注。具体的，本实施例中，对甲状腺超声图片进行数据标注包括如下信息：结节位置、成分、回声、形状、边界和点状强回声的信息。当然，在一些实施例中，数据标注的信息可以根据实际需要进行选择，如可以在上述的信息基础上再增加其它信息，或是只是选择上述信息的其中一部分等。S2，对已标注的图片进行数据增强处理。特别是对数据较少的分类数据进行增强以达到数据平衡。其增强方法可以是对图片加噪音，或对图片小范围的旋转平移，或色阶、曝光度等参数的调整等操作，具体可以参考现有技术，此不再细说。S3，采用resnet34作为特征提取的骨干网络对步骤S2中的数据进行特征提取。CNN(卷积神经网络)的层数越多，能够提取到的特征越丰富，但是简单地增加卷积层数，训练时会导致梯度弥散或梯度爆炸，resnet可以有效的消除卷积层数增加带来的梯度弥散或梯度爆炸问题。resnet通过改变学习目标，即由学习完整的输出变为学习残差，解决了传统卷积在信息传递时存在的信息丢失核损耗问题，通过将输入直接绕道传递到输出，保护了信息的完整性，此外学习目标的简化也降低了学习难度。resnet34的具体原理具体可以参考现有技术，此不再细说。S4，采用建议网络RPN结合步骤S3得到的所有特征图生成区域建议框，其生成过程如图2所示，具体原理可以参考现有技术，此是本领域技术人员轻易可以实现的，不再细说。S5，求得目标的边框位置和属于目标的分类概率。具体过程可以参考现有技术，此是本领域技术人员轻易可以实现的，不再细说。S6，将步骤S5中分类概率P>M的目标的边框认为是有效目标，即为甲状腺结节目标，截取目标边框，作为输入图片，其中，M为阈值。具体的，本实施例中，M优选为>0.8，提高目标的准确性，当然，在其它实施例中，M的取值可以根据实际需要进行选择。S7，用ConvNet对输入图片进行特征提取，得到featuremap(特征图)。具体的，本实施例中，ConvNet包含卷积层Conv，ReLU和pooling，该网络结构如图3所示。具体特征提取过程可以参考现有技术，此是本领域技术人员轻易可以实现的，不再细说。S8，将步骤S7得到的特征作为不同任务的共享特征，分别输入不同的任务分类函数。本具体实施例中，每个任务的分类按以下表格所示分成分成2类或者3类或者4类，但并不以此为限。S9，训练时，设定损失函数L本文档来自技高网...

【技术保护点】
1.一种基于深度学习的超声甲状腺结节智能评估方法，其特征在于，包括如下步骤：/nS1，对甲状腺超声图片进行数据标注；/nS2，对已标注的图片进行数据增强处理；/nS3，采用resnet34作为特征提取的骨干网络对步骤S2中的数据进行特征提取；/nS4，采用建议网络RPN结合步骤S3得到的所有特征图生成区域建议框；/nS5，求得目标的边框位置和属于目标的分类概率；/nS6，将步骤S5中分类概率P>M的目标的边框认为是有效目标，截取目标边框，作为输入图片，其中，M为阈值；/nS7，用ConvNet对输入图片进行特征提取，得到feature map；/nS8，将步骤S7得到的特征作为不同任务的共享特征，分别输入不同的任务分类函数；/nS9，训练时，设定损失函数L，每个任务的分类函数如下所示：/nL＝α

【技术特征摘要】
1.一种基于深度学习的超声甲状腺结节智能评估方法，其特征在于，包括如下步骤：
S1，对甲状腺超声图片进行数据标注；
S2，对已标注的图片进行数据增强处理；
S3，采用resnet34作为特征提取的骨干网络对步骤S2中的数据进行特征提取；
S4，采用建议网络RPN结合步骤S3得到的所有特征图生成区域建议框；
S5，求得目标的边框位置和属于目标的分类概率；
S6，将步骤S5中分类概率P>M的目标的边框认为是有效目标，截取目标边框，作为输入图片，其中，M为阈值；
S7，用ConvNet对输入图片进行特征提取，得到featuremap；
S8，将步骤S7得到的特征作为不同任务的共享特征，分别输入不同的任务分类函数；
S9，训练时，设定损失函数L，每个任务的分类函数如下所示：
L＝α1L1+α2L2+α3L3+α4L4+α5L5
α1，α2…α5对应着每个任务的权重；
L1…L5＝-∑tilnyi
yi为输出层softmax的值，ti值为0或1，属于真实目标为1，否则为0；
S10，对不同的分类进行分数统计，根据得分判断风险...

【专利技术属性】
技术研发人员：王晓东，何诗銘，何镇安，
申请(专利权)人：西安中科长青医疗科技研究院有限公司，
类型：发明
国别省市：陕西;61