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...

【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