一种超声甲状腺结节识别装置、方法、设备及存储介质制造方法及图纸

本申请涉及图像处理技术领域，公开了一种超声甲状腺结节识别装置、方法、设备及存储介质，包括：数据获取模块，用于获取甲状腺超声图像数据集，并划分出训练集；模型构建模块，用于构建基于CBAM卷积块注意力模块的SSD网络模型；模型训练模块，用于利用训练集对SSD网络模型进行训练；模型推理模块，用于将待测甲状腺超声图像输入至训练完成的SSD网络模型进行识别，识别出待测图像中的甲状腺结节并标记甲状腺结节的位置。这样可通过云平台获取大型数据集，并构建基于注意力机制的多尺度检测网络，利用训练集训练出更具有鲁棒性的网络模型，快速准确识别出甲状腺结节的位置，提高了对超声甲状腺结节的检测性能。甲状腺结节的检测性能。甲状腺结节的检测性能。

【技术实现步骤摘要】
一种超声甲状腺结节识别装置、方法、设备及存储介质


[0001]本专利技术涉及图像处理
，特别是涉及一种超声甲状腺结节识别装置、方法、设备及存储介质。

技术介绍

[0002]在过去的几十年里，甲状腺癌的发病率显著增加。早期检测出甲状腺结节对于降低甲状腺癌的发病率和死亡风险至关重要。在多种成像模式中，超声因着无创、实时、低成本的优势，已经成为临床上甲状腺结节检查的首选。然而，超声检查结果强烈依赖于放射科医生的个人经验，容易产生误差。
[0003]目前，为了应对这一挑战，CAS(Computer Aided System，计算机辅助系统)技术被引入到超声甲状腺结节图像识别领域。CAS方法大体上可以分为两类：基于传统CAS的方法和基于深度学习的方法。其中，基于传统CAS的方法是利用人工选择的特征，再基于机器学习和统计学建立分类器进行甲状腺结节的识别，但是这种方法侧重于人工设计或选择更好的特征，费时且主观。而基于深度学习的方法是将甲状腺结节的超声图片和相应的标签输入网络模型，自动学习特征训练网络，并做出最终结果，但是由于甲状腺结节超声图像采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超声甲状腺结节识别装置，其特征在于，用于云平台，包括：数据获取模块，用于获取甲状腺超声图像数据集，并划分出训练集；模型构建模块，用于构建基于CBAM卷积块注意力模块的SSD网络模型；模型训练模块，用于利用所述训练集对所述SSD网络模型进行训练；模型推理模块，用于将待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。2.根据权利要求1所述的超声甲状腺结节识别装置，其特征在于，所述模型构建模块包括：骨干网络建立单元，用于根据ResNet50网络中的卷积层和三个残差层，建立所述SSD网络模型的骨干网络；在所述骨干网络中的卷积层后加入CBAM卷积块注意力模块。3.根据权利要求2所述的超声甲状腺结节识别装置，其特征在于，所述骨干网络建立单元，具体用于在所述骨干网络中的卷积层后依次加入通道注意力模块和空间注意力模块，以分别利用特征的通道间和空间关系生成注意特征图。4.根据权利要求3所述的超声甲状腺结节识别装置，其特征在于，所述模型构建模块还包括：预测特征层建立单元，用于建立五个额外添加层；将五个所述额外添加层与所述骨干网络中的最后一个残差层组成六个预测特征层，以预测不同尺度和比例的甲状腺结节。5.根据权利要求4所述的超声甲状腺结节识别装置，其特征在于，所述模型构建模块还包括：抑制层建立单元，用于建立非极大值抑制层，并与六个所述预测特征层相连。6.根据权利要求1所述的超声甲状腺结节识别装置，其特征在于，所述模型训练模块包括：参数训练单元，用于通过类别误差...

【专利技术属性】
技术研发人员：杨聪敏，
申请(专利权)人：济南浪潮数据技术有限公司，
类型：发明
国别省市：