基于TI-RADS多任务神经网络的甲状腺结节良恶性分类方法技术

本发明专利技术基于TI

【技术实现步骤摘要】
基于TI
‑
RADS多任务神经网络的甲状腺结节良恶性分类方法


[0001]本专利技术基于TI
‑
RADS多任务神经网络的甲状腺结节良恶性分类方法，属于基于TI
‑
RADS多任务神经网络的甲状腺结节良恶性分类方法


技术介绍

[0002]卷积神经网络是一类包含卷积、池化、激活函数计算并且具有一定深度结构的神经网络，是深度学习领域的代表算法之一。目前已经被大量研究实例证实，在目标分类、定位、检测领域有强劲的表现，并以多层次的特征学习与丰富的特征表达能力，在目标分类领域取得了突破进展。
[0003]最近几年，图像分类领域诞生了一个又一个经典网络模型，GoogLeNet提出Inception模块，将网络变宽，从而从另一个方向增强了网络的特征提取能力；ResNet提出残差结构，有效的缓解了梯度消失和网络退化等问题，神经网络从而可以达到上百层的深度；DensenNet提出密集连接概念，将网络之前每个层的输入都连接到之后的所有层，从而达到了高效的特征复用，同时也减缓了梯度消失等问题。在基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于TI
‑
RADS多任务神经网络的甲状腺结节良恶性分类方法，其特征在于：包括如下步骤：S1：图像预处理：所述图像预处理包括图像降噪、获取人工标记区域、去除超声图像人工标记、提取ROI区域、图像增强；S2：构建卷积神经网络：使用DenseNets 121作为骨干网络，所述DenseNets 121包含4个Dense Block以及3个Transition层，Dense Block由Dense Layer组成，每个Dense Layer依次包含批量归一化层、修正线性单元层、1
×
1卷积层、批量归一化层、修正线性单元层、3
×
3卷积层；在每个Dense Block中的瓶颈层的批量归一化层之后插入SGE模块；网络的全连接层具有五个分支，分别对应五个TI
‑
RADS分类任务，每个分支包含3个线性层；S3：训练卷积神经网络：训练时迁移第一个Dense Block的预训练权重，并通过优化目标函数实现对网络权重的更新与求解；S4：将甲状腺结节图像输入训练好的卷积神经网络输出甲状腺结节的良恶性分类结果。2.根据权利要求1所述的基于TI
‑
RADS多任务神经网络的甲状腺结节良恶性分类方法，其特征在于：所述步骤S1中图像降噪具体采用自适应中值滤波算法。3.根据权利要求1所述的基于TI
‑
RADS多任务神经网络的甲状腺结节良恶性分类方法，其特征在于：所述步骤S1中具体采用YOLO V4和MSER算法获取人工标记区域。4.根据权利要求1所述的基于TI
‑
RADS多任务神经网络的甲状腺结节良恶性分类方法，其特征在于：所述步骤S1中具体采用快速行进算法滤除超声图像人工标记...

【专利技术属性】
技术研发人员：董于杰，卫建华，范军俊，高志熙，安俊杰，阎东军，韩晓红，张巍，刘剑，王亮，侯祥敏，王庆伟，张云仙，
申请(专利权)人：山西清众科技股份有限公司，
类型：发明
国别省市：