一种基于深度学习的甲状腺结节超声图像自动分割系统技术方案

本发明专利技术涉及甲状腺治疗技术领域，且公开了一种基于深度学习的甲状腺结节超声图像自动分割系统，包括影像数据库，所述影像数据库的输出端信号连接有分割系统的输入端，所述分割系统的输出端信号连接有分析系统，以Eff icientDet作为编码器，以U‑Net++模型为特征提取的基本模型，并在编码器和解码器中融合了CSSE块以提高了性能，通过重新设计网络结构，以减少模型参数的数量，新型U‑Net++模型的平均D i ce系数增加了0.0901，平均准确度P增加了0.0836，平均召回率R增加了0.0322，平均F1得分增加了0.0601，新型U‑Net++模型有效提高了甲状腺结节超声图像的分割精度，可以帮助医生进行有效的诊断，并使图像中的全局特征可以在系统使用的骨干网络结构中更有效地利用。

【技术实现步骤摘要】
一种基于深度学习的甲状腺结节超声图像自动分割系统
本专利技术涉及甲状腺治疗
，具体为一种基于深度学习的甲状腺结节超声图像自动分割系统。
技术介绍
研究表明，世界上约有50％的人患有甲状腺结节。在过去的十年中，甲状腺癌的发生率以每年4.5％的速度增长，比其他任何癌症都要快。在2018年，在美国，约有53,990例新的甲状腺癌病例，约有2,060人死于甲状腺癌。甲状腺结节癌变的可能性约为5％至15％，这是对人类健康的严重威胁。甲状腺结节性疾病通常是由医生手动校准超声图像并划分结节区域来诊断的。然而，超声图像通常具有很多伪像，较大的固有斑点噪声，低对比度和分辨率，通过不同型号和类型的超声设备获取的超声图像也具有较大差异，并且没有甲状腺结节的标准形状。这些问题给医生们带来了挑战，如何准确地分割不同患者的甲状腺结节轮廓。由于不同的医生有不同的操作经验，因此会出现观察者错误。因此，甲状腺结节超声图像的准确分割对提高诊断相关疾病的效率具有重要意义。针对现有技术的不足，本专利技术提供了一种基于深度学习的甲状腺结节超声图像自动分割系统，使用本文档来自技高网...

【技术保护点】
1.一种基于深度学习的甲状腺结节超声图像自动分割系统，包括影像数据库，其特征在于：所述影像数据库的输出端信号连接有分割系统的输入端，所述分割系统的输出端信号连接有分析系统；/n一种基于深度学习的甲状腺结节超声图像自动分割系统，系统流程如下：/nS1：将已经获取到的甲状腺结节影像数据，通过Labelme软件进行标注，并对其种类进行划分；/nS2：建立甲状腺结节数据库，将划分好的甲状腺超声图像收集分类存储；/nS3：将数据库内的影像数据，分别传输到改进型U-NET++分割软件和其他网络分割软件内进行分割；/nS4：通过改进型U-Net++软件对传输到其内的影像数据进行训练，得到最佳模型，并将其保存...

【技术特征摘要】
1.一种基于深度学习的甲状腺结节超声图像自动分割系统，包括影像数据库，其特征在于：所述影像数据库的输出端信号连接有分割系统的输入端，所述分割系统的输出端信号连接有分析系统；
一种基于深度学习的甲状腺结节超声图像自动分割系统，系统流程如下：
S1：将已经获取到的甲状腺结节影像数据，通过Labelme软件进行标注，并对其种类进行划分；
S2：建立甲状腺结节数据库，将划分好的甲状腺超声图像收集分类存储；
S3：将数据库内的影像数据，分别传输到改进型U-NET++分割软件和其他网络分割软件内进行分割；
S4：通过改进型U-Net++软件对传输到其内的影像数据进行训练，得到最佳模型，并将其保存到数据库，标识为最优模型；
S5：输出最优模型为识别结果，同时将最优模型与其他网络分割软件分割出的其他模型，一起统合为分割结果；
S6：输出分割结果，对最优模型和其他模型进行比较，以验证分割性能。


2.根据权利要求1所述的一种基于深度学习的甲状腺结节超声图像自动分割系统，其特征在于：所述影像数据库包括影像数据输入模块、Labelme数据标注模块和数据整合模块，所述影像数据输入模块接收甲状腺结节影像数据，所述数据整合模块向分割系统输出数据。


3.根据权利要求1所述的一种基于深度学习的甲状腺结节超声图像自动分割系统，其特征在于：所述分割系统包括改进型U-Net++、其他网络分割软件、识别结果输出模块和模型输出模块，所述识别结果输出模块输出最优模型识别结果，所述模型输出模块向分析系统输出分割结果模型数据。


4.根据权利要求3所述的一种基于深度学习的甲状腺结节超声图像自动分割系统，其特征在于：所述其他网络分割软件包括U-Net、U-Net++和FCN8S，所述改进型U-Net++使用...

【专利技术属性】
技术研发人员：陈朝一，许波，吴凯文，毕京瑞，何洁，
申请(专利权)人：广东财经大学，
类型：发明
国别省市：广东;44