[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

说明书

本发明公开了一种基于faster r‑cnn的甲状腺肿瘤超声图像自动识别方法，包括步骤：对已经标注的甲状腺肿瘤超声图像进行数据增强，增加训练样本的个数和尺度；使用resnet‑50网络模型对图像数据集进行特征提取；使用区域建议网络RPN生成建议窗口(proposals)，并映射到特征图上生成区域建议框；然后通过RoI pooling使得每个RoI生成固定尺寸的特征图；最后利用softmax Loss和softmax L1 Loss对分类概率和边框回归联合训练。本发明方法不需要手工进行肿瘤超声图像分割，能够端到端训练网络，并采用数据增强提高识别率。

技术领域

本发明涉及医疗图像识别的技术领域，尤其是指一种基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法。

背景技术

近年来，随着硬件的提升，人工智能兴起的浪潮带给了人们智能化的生活，而为人工智能的发展带来突破性拐点的当属深度学习了。深度学习可以极大地减少人为提取特征的过程，广泛地应用在图像处理，自然语言处理等任务上。而深度学习技术也慢慢地应用在了医疗领域，医疗图像的解读通常依赖于医生，具有较强的主观性，医生在高强度的工作下，连续大量读片可能漏诊或误诊。

传统的医疗图像识别借助于计算机辅助诊断系统(CAD)以辅助医生分析和判断医学数据，渐渐地发展为通过利用图像分割技术结合机器学习的方法来进行医疗图像识别，最近也开始利用深度学习技术代替机器学习的方法，但是仍然依赖于图像分割技术然后在利用机器学习或者深度学习的方法。本发明深度学习在图像处理方面的优势，通过自动分析肿瘤图像的特征，能够实现一种端到端训练而不用图像分割的甲状腺肿瘤超声图像自动识别方法，从而辅助医生的判断，减少工作量，提高效率。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，不需要手工进行肿瘤超声图像分割，能够端到端训练网络，并采用数据增强提高识别率。

为实现上述目的，本发明所提供的技术方案为：基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法，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。

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。

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。