甲状腺结节边缘征象分类方法、装置和系统制造方法及图纸

本申请的实施例提供了一种甲状腺结节边缘征象分类方法、装置和系统，该方法包括：获取甲状腺超声图像训练集；构建卷积神经网络模型；以训练集中的甲状腺超声图像作为卷积神经网络模型的输入、以分类结果作为卷积神将网络模型的输出，训练卷积神经网络模型；根据卷积神经网络模型对待处理甲状腺超声图像中甲状腺结节边缘征象进行分类。本申请能够辅助医生完成对甲状腺结节边缘征象的分类，避免了因边缘征象分类不够准确而导致TI

【技术实现步骤摘要】
甲状腺结节边缘征象分类方法、装置和系统


[0001]本申请的实施例涉及深度学习
，尤其涉及一种甲状腺结节边缘征象分类方法、装置和系统。

技术介绍

[0002]甲状腺超声图像纷繁复杂，良性和恶性结节的超声特征有很多相似之处，这无形增加了该领域的从业人员和研究学者的准入门槛和操作的复杂度。为了解决这个非标准化流程所带来的问题，甲状腺分级标准化在2009年由Horvath在其论文中提出，该评估系统叫作TI
‑
RADS(Thyroid Imaging Reporting and Data System)，旨在简化分类并降低分级难度。随着时间推进，更多人参与到此标准的制订和改进中，TI
‑
RADS日渐成熟且已为成为业界公认的甲状腺分级标准。TI
‑
RADS通过计算五种因素(结构、回声、形态、边缘、钝化点)的得分总和来确定对应的分级(TR1
‑
良性,TR2
‑
不可疑,TR3
‑
低度可疑，TR4
‑
中度可疑，TR5
‑
高度可疑)，每个级别恶性风险由低到高。由于TI
‑
RADS定级是根据五个征象的情况来确定且五者缺一不可，因此单一征象的分类准确性会直接影响最终定级的结果。
[0003]因此，需要提供一种能够自动提取特征并对甲状腺结节边缘征象自动分类的模型。

技术实现思路

[0004]为解决上述
技术介绍
中的问题，本申请实施例提供了一种甲状腺结节边缘征象分类方法、装置和系统。
[0005]在本申请的第一方面，提供了一种甲状腺结节边缘征象分类方法，包括：获取甲状腺超声图像训练集；构建卷积神经网络模型，所述卷积神经网络模型包括特征提取模型和依次连接在所述特征提取模型之后的卷积层、池化层和全连接层，所述特征提取模型为ResNet网络模型、DenseNet网络模型和ResNext网络模型三者中的一种；以所述训练集中的甲状腺超声图像作为所述卷积神经网络模型的输入、以分类结果作为所述卷积神将网络模型的输出，训练所述卷积神经网络模型，所述分类结果包括光滑、模糊、分叶、不规则及向甲状腺外延伸；根据所述卷积神经网络模型对待处理甲状腺超声图像中甲状腺结节边缘征象进行分类。
[0006]在一种可能的实现方式中，在所述卷积神经网络模型训练完成后，采用新的甲状腺超声图像对所述卷积神经网络模型调整，进行卷积神经网络模型迁移学习，其中新的甲状腺超声图像与训练集中的甲状腺超声图像来自不同的仪器。
[0007]在一种可能的实现方式中，在训练所述卷积神经网络模型之前，对训练集中甲状腺超声图像进行降噪处理：对甲状腺超声图像进行灰度化处理，得到二值化图像，并对二值化图像进行开运算；随机挑选部分甲状腺超声图像进行数据增强：对甲状腺超声图像进行亮度改变、旋转、平移以及翻折。
[0008]在一种可能的实现方式中，在获取甲状腺超声图像训练集时，对占比较少的甲状
腺超声图像进行重复采样。
[0009]在本申请的第二方面，提供了一种甲状腺结节边缘征象分类装置，包括：数据获取模块，用于获取甲状腺超声图像训练集；模型构建模块，用于构建卷积神经网络模型，所述卷积神经网络模型包括特征提取模型和依次连接在所述特征提取模型之后的卷积层、池化层和全连接层，所述特征提取模型为ResNet网络模型、DenseNet网络模型和ResNext网络模型三者中的一种；模型训练模块，用于以所述训练集中的甲状腺超声图像作为所述卷积神经网络模型的输入、以分类结果作为所述卷积神将网络模型的输出，训练所述卷积神经网络模型，所述分类结果包括光滑、模糊、分叶、不规则及向甲状腺外延伸；图像分类模块，用于根据所述卷积神经网络模型对待处理甲状腺超声图像中甲状腺结节边缘征象进行分类。
[0010]在一种可能的实现方式中，所述模型训练模块还用于：在所述卷积神经网络模型训练完成后，采用新的甲状腺超声图像对所述卷积神经网络模型调整，进行卷积神经网络模型迁移学习；其中，新的甲状腺超声图像与训练集中的甲状腺超声图像来自不同的仪器。
[0011]在一种可能的实现方式中，所述数据获取模块还用于：在训练所述卷积神经网络模型之前，对训练集中甲状腺超声图像进行降噪处理：对甲状腺超声图像进行灰度化处理，得到二值化图像，并对二值化图像进行开运算；随机挑选部分甲状腺超声图像进行数据增强：对甲状腺超声图像进行亮度改变、旋转、平移以及翻折。
[0012]在一种可能的实现方式中，所述数据获取模块还用于：在获取甲状腺超声图像训练集时，对占比较少的甲状腺超声图像进行重复采样。
[0013]在本申请的第三方面，提供了一种甲状腺结节边缘征象分类系统，包括上述的甲状腺结节边缘征象分类装置。
[0014]在本申请的第四方面，提供了一种甲状腺结节边缘征象分类系统，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现上述的方法。
[0015]在本申请实施例提供的甲状腺结节边缘征象分类方法、装置和系统中，通过采用卷积神经网络框架ResNet、DenseNet、或ResNext三者中的一种作为骨干网络进行特征提取，通过连接在骨干网络后的卷积层、池化层和全连接层来进行分类，实现了甲状腺超声图像边缘自动分类，提升了边缘正向分类效果，能够辅助医生完成对甲状腺结节边缘征象的分类，避免了因边缘征象分类不够准确而导致TI
‑
RADS定级错误所引起的不必要的穿刺手术，减轻了病人身体、金钱和精神上的负担。
[0016]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
[0017]结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
[0018]图1示出了根据本申请的实施例的甲状腺结节边缘征象分类方法的流程图。
[0019]图2示出了根据本申请的实施例的甲状腺结节边缘征象分类装置的方框图。
[0020]图3示出了根据本申请的实施例的甲状腺结节边缘征象分类系统的结构示意图。
具体实施方式
[0021]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。
[0022]甲状腺结节是一种常见病，尤其是女性。根据检查方法的不同，甲状腺结节的发病率为19％～68％，在出现甲状腺结节的患者中，约有10％有恶性肿瘤的危险。甲状腺癌的发病率为8.28/百万，并以每年5％的速度持续增长。在甲状腺癌的分化类型中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种甲状腺结节边缘征象分类方法，其特征在于，包括：获取甲状腺超声图像训练集；构建卷积神经网络模型，所述卷积神经网络模型包括特征提取模型和依次连接在所述特征提取模型之后的卷积层、池化层和全连接层，所述特征提取模型为ResNet网络模型、DenseNet网络模型和ResNext网络模型三者中的一种；以所述训练集中的甲状腺超声图像作为所述卷积神经网络模型的输入、以分类结果作为所述卷积神将网络模型的输出，训练所述卷积神经网络模型，所述分类结果包括光滑、模糊、分叶、不规则及向甲状腺外延伸；根据所述卷积神经网络模型对待处理甲状腺超声图像中甲状腺结节边缘征象进行分类。2.根据权利要求1所述的方法，其特征在于，在所述卷积神经网络模型训练完成后，采用新的甲状腺超声图像对所述卷积神经网络模型调整，进行卷积神经网络模型迁移学习，其中新的甲状腺超声图像与训练集中的甲状腺超声图像来自不同的仪器。3.根据权利要求1所述的方法，其特征在于，在训练所述卷积神经网络模型之前，对训练集中甲状腺超声图像进行降噪处理：对甲状腺超声图像进行灰度化处理，得到二值化图像，并对二值化图像进行开运算；随机挑选部分甲状腺超声图像进行数据增强：对甲状腺超声图像进行亮度改变、旋转、平移以及翻折。4.根据权利要求1所述的方法，其特征在于，在获取甲状腺超声图像训练集时，对占比较少的甲状腺超声图像进行重复采样。5.一种甲状腺结节边缘征象分类装置，其特征在于，包括：数据获取模块，用于获取甲状腺超声图像训练集；模型构建模块，用于构建卷积神经网络模型，所述卷积神经网络模型包括特征提取模型和依次连接在所述特征提取模型之后的卷积层、池化层和...

【专利技术属性】
技术研发人员：杜强，严亚飞，王晓勇，牟晓勇，聂方兴，
申请(专利权)人：北京小白世纪网络科技有限公司，
类型：发明
国别省市：