一种基于参数迁移的甲状腺结节识别模型训练方法及系统技术方案

本发明专利技术公开了一种基于参数迁移的甲状腺结节识别模型训练方法及系统，所述方法包括：获取带标记的源域数据和甲状腺结节超声图像；采用所述源域数据对卷积神经网络进行预训练，得到预训练模型参数；在所述卷积神经网络的基础上对全连接层进行增减，保留的层采用预训练模型参数，以甲状腺结节超声图片作为输入，对修改后的卷积神经网络进行训练，得到甲状腺结节识别模型，用于对甲状腺结节进行识别，辅助诊断。本发明专利技术通过引入迁移学习的思想，解决了因甲状腺结节影响数据目标识别难度大，特征不明显从而难以训练的问题。明显从而难以训练的问题。明显从而难以训练的问题。

【技术实现步骤摘要】
一种基于参数迁移的甲状腺结节识别模型训练方法及系统


[0001]本专利技术属于计算机辅助医疗
，尤其涉及一种基于参数迁移的甲状腺结节识别模型训练方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着科技的不断进步，医学影像采集愈加便利和精准，成为医生诊断患者病情的直接依据。对于甲状腺结节的检查目前主要依靠超声，相较于CT和核磁，超声的好处是便宜、灵活、实时、无副作用；但缺点是图像不清楚、噪音比较大，这对医生的要求就比较高。而CT和核磁的优点是图像清晰，缺点是检测费用高、副作用比较大。基于此，我们就选择了基于甲状腺结节超声影像的识别和诊断。传统的医学影像的诊断的工作流程大体是这样的：首先将非结构化影像数据进行识别、分析与处理，提取相关信息；其次，将大量临床影像数据和诊断经验输入人工智能模型，使神经元网络进行深度学习训练；最后，基于不断验证、总结与迭代的算法模型，进行影像诊断智能推理，输出个性化的诊疗判断结果。
[0004]专利技术人发现现有技术中存在以下技术问题：
[0005]深度学习虽然在图像识别领域中大放异彩，但却需要大量的数据进行训练。而在医疗影像识别领域中，由于涉及到病人隐私等原因，往往很难得到大量的优质的图像数据，因此难以取得好的效果。
[0006]同时，为了取得更优异的效果，深度学习的网络结构也越来越深，因此耗费了更多的计算资源，并且使用了更多的参数，导致更多的内存占用，造成了极大的显存开销。这非常不利于深度学习在医学影像领域的推广落地。
[0007]而针对于甲状腺结节诊断任务，由于超声图像存在着对比度低、灰度不均匀、斑点噪声较严重、边缘模糊等一些缺陷，并且不同的检测设备和使用习惯等因素也会造成误差，使得甲状腺结节诊断模型的训练更加困难；再者，获取充足的甲状腺结节超声影像作为训练数据较为困难，且标注成本很高，这些都导致甲状腺结节超声诊断的任务难度更高。因此，甲状腺结节诊断任务与其他的图像分类任务相比，挑战更大，目前未解决的难题更多。

技术实现思路

[0008]为克服上述现有技术的不足，本专利技术提供了一种基于参数迁移的甲状腺结节识别模型训练方法及系统。
[0009]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0010]一种基于参数迁移的甲状腺结节识别模型训练方法，包括以下步骤：
[0011]获取带标记的源域数据和甲状腺结节超声图像；
[0012]采用所述源域数据对卷积神经网络进行预训练，得到预训练模型参数；
[0013]在所述卷积神经网络的基础上对全连接层进行增减，保留的层采用预训练模型参
数，以甲状腺结节超声图片作为输入，对修改后的卷积神经网络进行训练，得到甲状腺结节识别模型。
[0014]一个或多个实施例提供了一种基于参数迁移的甲状腺结节识别模型训练系统，包括：
[0015]训练数据获取模块，被配置为：获取已进行数据标记的源域数据和甲状腺结节超声图像；
[0016]预训练模块，被配置为：采用所述源域数据对卷积神经网络进行预训练，得到预训练模型参数；
[0017]迁移训练模块，被配置为：在所述卷积神经网络的基础上对全连接层进行增减，保留的层采用预训练模型参数，以甲状腺结节超声图片作为输入，对修改后的卷积神经网络进行训练，得到甲状腺结节识别模型。
[0018]一个或多个实施例提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述所述的方法。
[0019]一个或多个实施例提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述所述的方法。
[0020]一个或多个实施例提供了一种基于参数迁移的甲状腺结节识别系统，包括：
[0021]数据获取模块，被配置为获取待识别的甲状腺超声图像；
[0022]甲状腺结节识别模块，被配置为根据所述甲状腺超声图像，采用甲状腺结节识别模型，进行甲状腺结节识别；其中所述甲状腺结节识别模型采用上述所述的方法进行训练。
[0023]以上一个或多个技术方案存在以下有益效果：
[0024]本申请引入迁移学习的思路，首先基于其他领域的不同类别图像数据作为源域数据对模型进行预训练，再基于有限的甲状腺超声影像数据进行训练，得到针对甲状腺结节的识别模型，解决了因甲状腺结节影响数据目标识别难度大，特征不明显从而难以训练的问题。
[0025]并且其中，为了避免源域数据对模型识别精度的影响，对预训练得到的模型最后几层进行替换后再采用甲状腺超声影像数据进行训练，提高了模型针对甲状腺结节的识别精度。
[0026]为了使预训练模型更好的拟合，具有更高的分辨能力，因而采用了大量的预训练数据，同时，为了节省训练资源，提高训练效率，采用局部监督学习的方法进行训练，很好的兼顾了预训练模型的精度和训练效率。
附图说明
[0027]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0028]图1为本专利技术实施例的方法流程图；
[0029]图2为本专利技术实施例预训练模型的网络结构示意图；
[0030]图3为本专利技术实施例基于预训练模型微调之后的神经网络结构图；
[0031]图4为本专利技术实施例的系统功能模块图。
具体实施方式
[0032]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0033]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0034]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0035]实施例一
[0036]本实施例公开了一种基于参数迁移的甲状腺结节识别模型训练方法，如图1所示，包括以下步骤：
[0037]步骤1：获取已进行数据标记的源域数据和甲状腺结节超声图像；
[0038]具体地，从ImageNet开源数据集中获取训练用的开源图片，进行类别合并，添加标签用作训练用的源域数据。为了得到能够提取图片低维特征的参数，本实例从ImageNet开源数据集中提取图片进行类别合并，筛选出人物、动物、室内、交通四大类构成预训练数据集，来训练图片分类任务。其中数据集格式为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于参数迁移的甲状腺结节识别模型训练方法，其特征在于，包括以下步骤：获取带标记的源域数据和甲状腺结节超声图像；采用所述源域数据对卷积神经网络进行预训练，得到预训练模型参数；在所述卷积神经网络的基础上对全连接层进行增减，保留的层采用预训练模型参数，以甲状腺结节超声图片作为输入，对修改后的卷积神经网络进行训练，得到甲状腺结节识别模型。2.如权利要求1所述的基于参数迁移的甲状腺结节识别模型训练方法，其特征在于，所述预训练采用局部监督学习的训练方法。3.如权利要求1所述的基于参数迁移的甲状腺结节识别模型训练方法，其特征在于，所述卷积神经网络采用VGG16网络模型。4.如权利要求1所述的基于参数迁移的甲状腺结节识别模型训练方法，其特征在于，所述在所述卷积神经网络的基础上对全连接层进行增减为：删除最后三层全连接层添加三个全连接层。5.一种基于参数迁移的甲状腺结节识别模型训练系统，其特征在于，包括：训练数据获取模块，被配置为：获取已进行数据标记的源域数据和甲状腺结节超声图像；预训练模块，被配置为：采用所述源域数据对卷积神经网络进行预训练，得到预训练模型参数；迁移训练模块，被配置为：在所述卷积神经网络的基础上对全连接层进行增减，保留的层...

【专利技术属性】
技术研发人员：王红，杨杰，王正军，滑美芳，杨雪，李刚，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：