一种基于深度学习的超声甲状腺结节良恶性预测方法技术

本发明专利技术具体涉及一种基于深度学习的超声甲状腺结节良恶性预测方法。包括以下步骤：S1：采集超声结节图像样本，对超声结节图像样本进行预处理；所述预处理包括图像样本质量改进、图像样本标注数据；S2：基于图像样本标注数据训练深度神经网络；S3：将训练完成的深度神经网络用于实时超声图像，得到分割完成的结节区域图像；S4：基于分割完成的结节区域图像通过结节判定的数据库，标注结节类型，作为结节预测模型的训练样本；S5：采用前馈神经网络，使用已标注的样本数据作为训练集网络，通过特征选择计算准确率和召回率，反复迭代进行学习训练，选取评估结果最好的网络模型进行输出；S6：基于训练完成的网络模型，预测甲状腺结节的类型。型。型。

【技术实现步骤摘要】
一种基于深度学习的超声甲状腺结节良恶性预测方法


[0001]本专利技术涉及本专利技术涉及智慧医疗领域，具体涉及一种基于深度学习的超声甲状腺结节良恶性预测方法。

技术介绍

[0002]在甲状腺结节的临床治疗过程中，甲状腺结节良恶性的鉴别是甲状腺结节诊治的基础目前，穿刺检查和病理检查是鉴别甲状腺结节良恶性的主要手段但是，穿刺检查和病理检查具有损伤性，对患者的正常甲状腺组织造成破坏。因此，如何有效地利用无损伤的超声检查结果来预测甲状腺结节良恶性，对于甲状腺结节诊治具有重要的意义。
[0003]为了帮助医生提高临床诊断的准确性，让患者避免不必要的检查过程，降低患者误诊率，近年来越来越多的学者试图通过机器学习专家系统等人工智能方法进行甲状腺结节良恶性鉴别，深度学习技术是机器学习领域中最新研究成果，通过构建具有很多隐藏层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性，因此，与传统的机器学习方法相比，利用深度学习来学习特征，更能够刻画数据丰富的内在信息，并展现出强大的从样本集中学习数据集本质特征的能力。

技术实现思路

[0004]为了解决上述问题，本专利技术的目的是针对现有技术中传统图像分割算法效果不理想、计算机辅助诊断准确度不高的问题,提供了一种基于深度学习的超声甲状腺结节良恶性预测方法。
[0005]为了实现以上目的，本专利技术采取的一种技术方案是：
[0006]一种基于深度学习的超声甲状腺结节良恶性预测方法，包括以下步骤：S1：采集超声结节图像样本，对超声结节图像样本进行预处理；所述预处理包括图像样本质量改进、图像样本标注数据；S2：基于图像样本标注数据训练深度神经网络；S3：将训练完成的深度神经网络用于实时超声图像，得到分割完成的结节区域图像；S4：基于分割完成的结节区域图像通过结节判定的数据库，标注结节类型，作为结节预测模型的训练样本；S5：采用前馈神经网络，使用已标注的样本数据作为训练集网络，通过特征选择计算准确率和召回率，反复迭代进行学习训练，选取评估结果最好的网络模型进行输出；S6：基于训练完成的网络模型，预测甲状腺结节的类型。
[0007]进一步地，所述S2中，深度神经网络采用U
‑
Net网络。
[0008]进一步地，所述S5中，前馈神经网络采用卷积神经网络。
[0009]本专利技术的上述技术方案相比现有技术具有以下优点：
[0010]本专利技术提出了一种基于深度学习的超声甲状腺结节良恶性预测方法，重点突破基于深度学习的超声甲状腺结节的分割、基于卷积神经网络的超声甲状腺结节良恶性预测等关键技术，有效解决传统图像分割算法效果不理想、计算机辅助诊断准确度不高的问题，为构建高效的超声甲状腺结节计算机辅助诊断系统奠定技术基础。
附图说明
[0011]图1为本专利技术的流程方法示意图；
[0012]图2为本专利技术的结节的Ground Truth和U
‑
Net分割结果示意图。
具体实施方式
[0013]为使本专利技术的目的、技术方案和优点更加清楚，下面结合附图1，对本专利技术作进一步地详细描述。
[0014]本实施例提供了一种基于深度学习的超声甲状腺结节良恶性预测方法，如图1所示，包括以下步骤：S1：采集超声结节图像样本，对超声结节图像样本进行预处理；所述预处理包括图像样本质量改进、图像样本标注数据；S2：基于图像样本标注数据训练深度神经网络；S3：将训练完成的深度神经网络用于实时超声图像，得到分割完成的结节区域图像；S4：基于分割完成的结节区域图像通过结节判定的数据库，标注结节类型，作为结节预测模型的训练样本；S5：采用前馈神经网络，使用已标注的样本数据作为训练集网络，通过特征选择计算准确率和召回率，反复迭代进行学习训练，选取评估结果最好的网络模型进行输出；S6：基于训练完成的网络模型，预测甲状腺结节的类型。
[0015]S2中，深度神经网络采用U
‑
Net网络。S5中，前馈神经网络采用卷积神经网络。
[0016]随着深度学习的兴起和大力发展，不同结构的神经网络在图像分割上的应用取得了巨大的进展，并且性能远超传统的分割方法。因为神经网络本质上是数量庞大的神经元根据某种特定的方式互相连接，所以很容易在提取特征的同时引入图像中的空间信息，解决了大部分传统分割方法束手无策的噪声和不均匀问题。本专利技术采用一个改进分割网络U
‑
Net，不仅性能更优，甚至在数据集十分有限的情况下也能得到可观的分割结果。
[0017]U
‑
Net是基于全卷积网络(Fully Convolutional Networks,FCN)的一种改进的全卷积网络，，它包括两大部分：特征提取和上采样部分。可以看到网络结构就像大写的字母U，所以得名U
‑
Net。特征提取部分包括4个重复的卷积和最大池化(Max Pooling)操作，图像每经过一个池化层就增加了一个尺度，这样包括原图一共就有5个尺度。上采样部分重复的卷积操作是为了将特征通道的数量减半，网络每做一次上采样，就将得到的特征图和下采样部分相同大小的特征图做拼接操作。在最后一层，使用1
×
1卷积和Sigmoid激活函数得到概率热图。所以网络共包含4个池化层和4个上采样层。
[0018]可以看出U
‑
Net相较于FCN的改进之处在于结合了多尺度的特征信息：上采样阶段结合了特征提取部分的特征图信息。并且前人经验表明它即使在偏小的数据集上也能得到较好的性能，所以本文选择U
‑
Net网络作为分割实验的基础网络结构。
[0019]步骤2：基于CNN的超声甲状腺结节良恶性预测
[0020]卷积神经网络(Convolutional Neural Networks,CNN)是一类具有卷积计算和深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习的代表算法之一。CNN在处理图片分类问题上十分优秀，在处理甲状腺结节的B超图片分类问题上,有很强的适用性。卷积神经网络主要由五个部分组成，输入层、卷积层、池化层、全连接层Softmax层。
[0021](1)卷积层
[0022]卷积层则是卷积神经网络中最为重要的一部分,其中的每个结点的输入，都只是上一层神经网络的一小块区域与卷积核卷积运算的结果。通过卷积运算，从而得到抽象程
度更高的特征。卷积层的核心是卷积操作，对于一个大小是n
×
n的输入以及大小为k
×
k的卷积核，如果步长大小s，则输出特征图的大小为：此外，可根据需要将周围补0，以得到和输入特征图同样大小的输出特征图。
[0023]在卷积层中，用一个可学习的卷积核与上一层的若干个特征图进行卷积，然后通过一个激活函数f，如Sigmoid函数、Tanh函数、Relu函数等，利用公式(1)就可以得到相应的输出特征。
[0024][0025本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的超声甲状腺结节良恶性预测方法，其特征在于，包括以下步骤：S1：采集超声结节图像样本，对超声结节图像样本进行预处理；所述预处理包括图像样本质量改进、图像样本标注数据；S2：基于图像样本标注数据训练深度神经网络；S3：将训练完成的深度神经网络用于实时超声图像，得到分割完成的结节区域图像；S4：基于分割完成的结节区域图像通过结节判定的数据库，标注结节类型，作为结节预测模型的训练样本；S5：采用前馈神经网络，使用已标注的样本数据...

【专利技术属性】
技术研发人员：张乾君，朱建新，
申请(专利权)人：江苏乾君坤君智能网络科技有限公司，
类型：发明
国别省市：