[发明专利]基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法

权利要求书

1.基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，其特征在于，包括以下步骤：

步骤S1：对已标注的甲状腺超声肿瘤图片进行划分，得到训练集；

步骤S2：对步骤S1中的训练集进行数据增强处理；

步骤S3：使用resnet-50网络模型对步骤S2中的数据进行特征提取；

步骤S4：通过区域建议网络RPN结合步骤S3得到的所有特征图，在步骤S2得到的原始图片上生成区域建议框；

步骤S5：将步骤S4得到的区域建议框映射到步骤S3中得到的特征图上进行RoIpooling，通过RoI pooling层使得每个RoI生成固定尺寸的特征图；

步骤S6：利用softmax Loss和softmax L1Loss对分类概率和边框回归联合训练。

2.根据权利要求1所述的基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，其特征在于，步骤S2中所述的数据增强处理步骤如下：

2.1)多次随机裁剪图片的某一区域，如果该区域包含完整的肿瘤区域，则标记该区域并加入到训练集中；

2.2)对图片进行不同尺度的缩放，以及进行边缘增强；

2.3)对数据进行重采样。

3.根据权利要求1所述的基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，其特征在于，步骤S4中生成区域建议框的步骤如下：

4.1)使用3×3大小的卷积核在特征图上滑动，设定一种anchor机制，分别以每一个像素点为中心点，然后基于这个中心点生成3个不同面积大小和3种不同尺寸比例候选区域；

4.2)过滤掉映射到原图中超过原图边界的候选区域；

4.3)判断每个候选区域是否含有目标类，以及目标类的具体位置。

4.根据权利要求1所述的基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，其特征在于，步骤S6中定义的联合损失函数如下：

分类概率采用的softmax Loss定义为：

其中，i为每个批量anchor的下标，p_i为anchor是目标类的概率，为ground-truth的标签；

边框回归采用的softmax L1Loss定义为：

其中，t_i是一个长度为4的向量，表示预测的边框值；是一个长度为4的向量，表示真实的边框值；

联合损失函数为：

其中，N_cls，N_reg为归一化的参数；λ为平衡损失函数的权重。