[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

说明书

本发明公开了一种在线训练甲状腺肿瘤超声图像识别方法及其装置，所述方法包括：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。该方法能够实现对病例图像的再利用，对甲状腺肿瘤图像特征的学习、记忆与积累；随着病例增加，能够逐渐提升模型的泛化能力与预测准确率，对临床诊断经验积累具有十分重要的意义。

技术领域

本发明涉及图像识别领域，特别涉及一种基于深度学习的在线训练甲状腺肿瘤超声图像识别方法及其装置。

背景技术

流行病学研究表明，甲状腺癌是女性最常见的恶性肿瘤之一，近年来其发病率迅速上升。甲状腺乳头状癌(PTC)是甲状腺癌的主要病理类型，占据发病率很大比重。超声图像被广泛认为是甲状腺结节筛查的主要诊断工具和PTC术前评估方法。像微钙化、固体成分高、边缘与形状不规则等超声图像特点就是PTC考虑的典型情况。而实际操作过程中最大的局限是操作者的依赖性，不同经验水平的放射科医师的判断准确率不同。这使得图像的双重阅读对降低误诊率很有必要，但不是每个卫生部门都拥有最有经验的放射科医师，客观和一致的方法可以提供宝贵的意见并帮助无经验的放射科医师。

机器学习(ML)被定义为一组自动检测数据中的模式，然后利用发现的模式来预测未来的数据或在不确定的条件下进行决策的方法。深度学习作为机器学习的一部分，利用人工神经网络(尤其是卷积神经网络)，目前广泛应用医疗保健的多个方面，尤其是癌症图像诊断与分析中。医院拥有大量的甲状腺超声图片，拥有大量的专业医师对其良恶性进行准确的标注，对甲状腺超声图片采用深度学习方法进行甲状腺癌诊断可以取得很好的效果，但是对于现有的甲状腺超声图片如何选取有效的区域能提高图像识别的准确率是一个有待解决的问题。

现有的深度学习在医疗图像中的应用主要有两种方案：1)对于病例图片较多的情况，采用直接训练或利用微调预训练模型参数的方式训练网络；2)对于病例图片较少的情况主要采用迁移学习方法来训练模型。两种方法均考虑了相关疾病的静态特征，即数据库一经确定，即可确定模型。然而在实际情况中，尤其是对于发病率较低的情况，新病例具有的图像特征很可能是此前均未出现过的。因此，如何解决病例图片较少而造成模型准确率不高的问题也是本领域技术人员的努力方向。

发明内容

有鉴于现有技术中存在的上述问题，本发明的目的是提供一种能够有效选取肿瘤图像区域从而提高识别准确率的甲状腺肿瘤超声图像识别方法及其装置，以及一种能避免因病例图像较少而造成识别准确率低的问题的甲状腺肿瘤超声图像识别方法及其装置。

为实现上述第一个目的，本发明首先提供了一种甲状腺肿瘤超声图像识别方法，该方法包括：

选取甲状腺肿瘤超声图像中的肿瘤区域并扩增一定边缘范围后切割，进行良恶性标注，将切割下来的图像组成训练集；

用训练集训练选定的卷积神经网络形成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，用所述甲状腺肿瘤超声图像识别模型进行良恶性识别。

上述方法的流程如图1所示。

进一步，选取的所述肿瘤区域为矩形。

由于甲状腺肿瘤超声图像的原始数据集均采自现有的超声设备的报告图，其固有的背景、文字等将极大影响肿瘤良恶性特征的提取，因此本发明优选采用半自动化的方式截取包含肿瘤的区域。

进一步，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，即人工用鼠标手动逐次点击甲状腺肿瘤超声图像中结节(肿瘤)区域的左、右、上、下边界，由此生成如图2所示的内层矩形框。