本发明专利技术属于人工智能技术领域，具体为一种基于卷积神经网络算法的人工智能阅片方法，包括步骤一：获取待检测目标图像；步骤二：图像区域选择；步骤三：目标特征提取；步骤四：根据特征进行目标分类；步骤五：对目标边界框回归；步骤六：结构优化；步骤七：完成目标检测，其结构合理，提高了甲状腺彩超诊断的准确性，防止术前甲状腺彩超的误诊，输入输出均为程序运行，消除了人为因素在影像诊断中的作用，比传统的方法能够更好的识别图像特征。而且这种逐步分级学习改进算法的能力，更加适合程序的改进，是目前AI中对医学影像图像诊断准确率最高的方法。方法。方法。
【技术实现步骤摘要】
一种基于卷积神经网络算法的人工智能阅片方法
[0001]本专利技术涉及人工智能
，具体为一种基于卷积神经网络算法的人工智能阅片方法。
技术介绍
[0002]甲状腺癌(Thyroid Carcinoma,TC)的发病率在全球范围内增长迅速，在国内，手术依然是医生治疗TC的首选治疗方案。然而，绝大多数TC生长缓慢，预后良好，其病死率并没有因为积极的手术治疗而有所下降，反而，手术却大大降低了TC患者的生存质量，所以，TC的过度诊断与过度治疗成为临床关注的重点。TC的术前诊断多依赖于甲状腺彩超，然而，彩超医生的经验和技术参差不齐，直接影响了甲状腺彩超诊断的准确性。研究表明，术前甲状腺彩超的误诊是导致错误穿刺和过度手术治疗的主要原因。
[0003]随着计算机技术的发展，人工智能(Artificial intelligence，AI)在医学影像图片识别和疾病诊断过程中，扮演着越来越重要的角色。基于卷积神经网络(Convolutional Neural Networks,CNN)算法的深度学习，特别是在可视结构与语言识别任务中，表现出了惊人的应用前景。大量研究表明，CNN在医学影像的学习和诊断任务中可以提供比传统方法更加准确的诊断信息。一些先进的临床医学中心，已经使用深度学习的AI算法去诊断乳腺、肺部、脑部和肝脏疾病。然而，至今仍没有一款针对甲状腺彩超的AI软件被开发。
[0004]为此，我们提出一种基于卷积神经网络算法的人工智能阅片方法解决上述问题。
技术实现思路
[0005]本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]因此，本专利技术的目的是提供一种基于卷积神经网络算法的人工智能阅片方法，提高了甲状腺彩超诊断的准确性，防止术前甲状腺彩超的误诊。
[0007]为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：
[0008]一种基于卷积神经网络算法的人工智能阅片方法，其包括如下步骤：
[0009]步骤一：获取待检测目标图像；
[0010]步骤二：图像区域选择；
[0011]步骤三：目标特征提取；
[0012]步骤四：根据特征进行目标分类；
[0013]步骤五：对目标边界框回归；
[0014]步骤六：结构优化；
[0015]步骤七：完成目标检测。
[0016]作为本专利技术所述的一种基于卷积神经网络算法的人工智能阅片方法的一种优选
方案，其中：本专利技术算法的实现主要依靠nanoDet的模型，nanoDet包含特征提取主干网络、特征融合网络、检测头三个部分。
[0017]作为本专利技术所述的一种基于卷积神经网络算法的人工智能阅片方法的一种优选方案，其中：在神经网络中，尤其是CV(computer vision)领域中，一般先对图像进行特征提取，这一部分是整个CV任务的根基，所以将这部分网络结构称为backbone；nanoDet选择ShuffleNetV2 1.0x作为backbone。ShuffleNetV2 1.0x是ShuffleNetV1的改进版本，改进过程遵循以下4条指导原则：
[0018](1)输入输出同等通道大小可以最小化MAC(Memory access cost)，此时模型速度最快；
[0019](2)过量使用组卷积(group convolution)会增大MAC，模型速度变慢；
[0020](3)模型分支数量越少，模型越简单，速度越快；
[0021](4)element
‑
wise操作也会对模型速度产生消极影响。
[0022]作为本专利技术所述的一种基于卷积神经网络算法的人工智能阅片方法的一种优选方案，其中：特征融合层选用FPN(Feature Pyramid Network,FPN)的改进网络PAN(Path Augmentation Net)并在其基础上做轻量化修改；特征金字塔网络(Feature Pyramid Network,FPN)是一种高效的CNN特征提取方法，常规卷积神经网络从下至上层层递进，尺度和语义信息不断变化，FPN通过增加自上而下通路的特征补充增强，使得最终输出的特征更好地表示输入图片多维度的信息。
[0023]作为本专利技术所述的一种基于卷积神经网络算法的人工智能阅片方法的一种优选方案，其中：nanoDet选用FCOS(Fully Convolutional One
‑
Stage Object Detection)模型的检测头(head)，FCOS模型的思想是预测输入图像中的每个点所属的目标类别以及目标框，其整体架构类似FPN(Feature Pyramid Network)结构，并对5个融合后的特征层做预测。
[0024]与现有技术相比，本专利技术的有益效果是：提高了甲状腺彩超诊断的准确性，防止术前甲状腺彩超的误诊，输入输出均为程序运行，消除了人为因素在影像诊断中的作用，比传统的方法能够更好的识别图像特征。而且这种逐步分级学习改进算法的能力，更加适合程序的改进，是目前AI中对医学影像图像诊断准确率最高的方法。
附图说明
[0025]为了更清楚地说明本专利技术实施方式的技术方案，下面将结合附图和详细实施方式对本专利技术进行详细说明，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0026]图1为本专利技术结构示意图；
[0027]图2为本专利技术nanoDet模型结构图；
[0028]图3为本专利技术主干网络模型结构图；(a)ShuffleNetV1基本的ShuffleNet单元(b)ShuffleNetV1空间下采样的ShuffleNet单元(c)ShuffleNetV2基本单元(d)ShuffleNetV2空间下采样单元；
[0029]图4为本专利技术特征金字塔网络图；
[0030]图5为本专利技术FPN计算图；
[0031]图6为本专利技术PAN计算图；
[0032]图7为本专利技术超轻量PAN结构图；
[0033]图8为本专利技术FCOS模型结构图；
[0034]图9为本专利技术nanoDet检测头图；
[0035]图10为本专利技术安卓app目标检测流程图。
具体实施方式
[0036]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。
[0037]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施方式的限制。
[0038本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络算法的人工智能阅片方法，其特征在于，包括如下步骤：步骤一：获取待检测目标图像；步骤二：图像区域选择；步骤三：目标特征提取；步骤四：根据特征进行目标分类；步骤五：对目标边界框回归；步骤六：结构优化；步骤七：完成目标检测。2.根据权利要求1所述的一种基于卷积神经网络算法的人工智能阅片方法，其特征在于：本发明算法的实现主要依靠nanoDet的模型，nanoDet包含特征提取主干网络、特征融合网络、检测头三个部分。3.根据权利要求2所述的一种基于卷积神经网络算法的人工智能阅片方法，其特征在于：在神经网络中，尤其是CV(computervision)领域中，一般先对图像进行特征提取，这一部分是整个CV任务的根基，所以将这部分网络结构称为backbone；nanoDet选择ShuffleNetV21.0x作为backbone。ShuffleNetV21.0x是ShuffleNetV1的改进版本，改进过程遵循以下4条指导原则：(1)输入输出同等通道大小可以最小化MAC(Memory access cost)，此时模型速度最快；(2)过量使用组卷积(group convolution)会增大MAC，模型速度变慢；(3)模型分支数量越少...
【专利技术属性】
技术研发人员：薛帅，张丽，陈向，左万利，
申请(专利权)人：吉林大学第一医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。