[发明专利]一种在线训练甲状腺肿瘤超声图像识别方法及其装置在审
| 申请号： | 201810318236.8 | 申请日： | 2018-04-10 |
| 公开（公告）号： | CN108364293A | 公开（公告）日： | 2018-08-03 |
| 发明（设计）人： | 向俊;卢宏涛;官青;王芬;王蕴珺;李端树;杜佳俊;秦宇 | 申请（专利权）人： | 复旦大学附属肿瘤医院;上海交通大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;A61B8/08;A61B8/00 |
| 代理公司： | 上海容慧专利代理事务所(普通合伙) 31287 | 代理人： | 于晓菁 |
| 地址： | 200032 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 甲状腺肿瘤 超声图像 切割 在线训练 肿瘤区域 图像库 进阶 扩增 图像 经验积累 临床诊断 模型形成 图像特征 图像组成 训练集 原有的 再利用 准确率 标注 预测 积累 学习 | ||
1.一种在线训练甲状腺肿瘤超声图像识别方法，其特征在于，包括：
获取第一组甲状腺肿瘤超声图像，从中选取肿瘤区域并扩增一定边缘范围后切割，进行良恶性标注，将切割下来的图像存入图像库，并组成第一训练集；
用第一训练集训练选定的卷积神经网络形成第一甲状腺肿瘤超声图像识别模型；
获取第二组甲状腺肿瘤超声图像，从中选取肿瘤区域并扩增一定边缘范围后切割，进行良恶性标注，将切割下来的图像存入所述图像库，并与所述图像库中部分原有的图像组成第二训练集；
用第二训练集训所述第一甲状腺肿瘤超声图像识别模型形成第二甲状腺肿瘤超声图像识别模型；
获取待识别的甲状腺肿瘤超声图像，选取肿瘤区域并扩增一定边缘范围后，用所述第二甲状腺肿瘤超声图像识别模型进行良恶性识别。
2.如权利要求1所述的在线训练甲状腺肿瘤超声图像识别方法，其特征在于，所述获取第二组甲状腺肿瘤超声图像，从中选取肿瘤区域并扩增一定边缘范围后切割，进行良恶性标注，将切割下来的图像存入所述图像库，并与所述图像库中部分原有的图像组成第二训练集，其中所述图像库中部分原有的图像的数量是所述切割下来的图像数量的2倍以上。
3.如权利要求1所述的在线训练甲状腺肿瘤超声图像识别方法，其特征在于，所述选取甲状腺肿瘤超声图像中的肿瘤区域是根据接收到的边界信号进行的，所述扩增一定边缘范围是根据限定的边缘长度值和宽度值进行的，所述进行良恶性标注是根据接收到的良恶性信号进行的。
4.如权利要求1所述的在线训练甲状腺肿瘤超声图像识别方法，其特征在于，所述用第二训练集训所述第一甲状腺肿瘤超声图像识别模型形成第二甲状腺肿瘤超声图像识别模型中训练的是所述第一甲状腺肿瘤超声图像识别模型的副本。
5.一种在线训练甲状腺肿瘤超声图像识别方法，其特征在于，包括：
获取一组甲状腺肿瘤超声图像，从中选取肿瘤区域并扩增一定边缘范围后切割，进行良恶性标注，将切割下来的图像存入图像库，并与所述图像库中部分原有的图像组成训练集；
用训练集训初级甲状腺肿瘤超声图像识别模型形成进阶甲状腺肿瘤超声图像识别模型；
获取待识别的甲状腺肿瘤超声图像，选取肿瘤区域并扩增一定边缘范围后切割，用所述进阶甲状腺肿瘤超声图像识别模型进行良恶性识别。
6.如权利要求5所述的在线训练甲状腺肿瘤超声图像识别方法，其特征在于，所述获取一组甲状腺肿瘤超声图像，从中选取肿瘤区域并扩增一定边缘范围后切割，进行良恶性标注，将切割下来的图像存入图像库，并与所述图像库中部分原有的图像组成训练集还包括：用初级甲状腺肿瘤超声图像识别模型进行良恶性识别。
7.如权利要求5所述的在线训练甲状腺肿瘤超声图像识别方法，其特征在于，所述用训练集训初级甲状腺肿瘤超声图像识别模型形成进阶甲状腺肿瘤超声图像识别模型中训练的是所述初级甲状腺肿瘤超声图像识别模型的副本。
8.如权利要求5所述的在线训练甲状腺肿瘤超声图像识别方法，其特征在于，所述获取待识别的甲状腺肿瘤超声图像，选取肿瘤区域并扩增一定边缘范围后切割，用所述进阶的甲状腺肿瘤超声图像识别模型进行良恶性识别还包括：根据从外界接收到的良恶性信号进行良恶性标注，将切割下来的图像存入所述图像库。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于复旦大学附属肿瘤医院;上海交通大学，未经复旦大学附属肿瘤医院;上海交通大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810318236.8/1.html，转载请声明来源钻瓜专利网。
