[发明专利]一种基于甲状腺超声视频流动态识别结节良恶性的装置

说明书

本发明公开了一种基于甲状腺超声视频流动态识别结节良恶性的方法，包括：获取横向扫描切面视频和纵向扫描切面视频，并将该横向扫描切面视频和纵向扫描切面视频发送到超声医师进行标注，对超声医师标注后的横向扫描切面视频和纵向扫描切面视频进行预处理，以分别得到预处理后的横向扫描切面视频和纵向扫描切面视频，将横向扫描切面视频和纵向扫描切面视频分别输入到两个Retina定位网络中，以分别得到横向扫描切面视频和纵向扫描切面视频中每一帧图像的结节相关信息，对横向扫描切面视频和纵向扫描切面视频进行去噪处理。本发明能够克服现有甲状腺结节良恶性识别方法存在极大误判可能性，从而容易出现误诊和漏诊、并耽误患者正确治疗的技术问题。

技术领域

本发明属于医疗信息技术领域，更具体地，涉及一种基于甲状腺超声视频流动态识别结节良恶性的装置。

背景技术

近年来，甲状腺疾病发病率呈现快速上升的趋势，我国甲状腺癌以每年20％的速度持续增长。为了预防甲状腺结节疾病的发生，最常用的检查方法是影像学检查，其可以帮助临床医生确定甲状腺结节的良恶性。

但上述基于影像学的检查方法存在着一些不足：第一，该检查结果伴随不同地区、不同医院检查仪器、及不同检查图像质量存在差异，且诊断主要依靠超声医师的经验知识，诊断结果具有一定的主观性；第二，随着患者数量急剧增加，导致超声医师劳动强度增加，这会从一定程度影响诊断结果的准确性。

为了克服现有影像学检查方法所存在的不足，研究者开发出基于多种基于人工智能的甲状腺结节良恶性识别方法，主要包括：

(1)叶晨等人提出的“基于CNN迁移学习的甲状腺结节检测方法”，该方法用两个不同的卷积神经网络(Convolutional neutral network，简称CNN网络)对单一甲状腺结节图像进行检测，考虑到不同结构的CNN网络具有能提取不同层次特征的特点，因此该基于融合浅层和深层网络的方法能够提取多个级别的特征；

(2)迟剑宁等人提出的“融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断”的方法，其是基于预处理的甲状腺结节超声图像对训练好的GooLeNet模型进行微调(Fine-tune)，并将GoogLeNet模型提取出的结节图像特征输入成本敏感(Cost-sensitive)随机森林模型中，从而对甲状腺结节图像进行良性和恶性分类；

(3)Tianjiao Liu等人提出的“超声图像中使用基于深度模型的迁移学习和金字塔特征的甲状腺结节分类”(Classification of thyroid nodules in ultrasoundimages using deep model based transfer learning and hybrid features)的方法，其将大量其他类别图像训练的CNN网络迁移到超声图像上，在小样本条件下生成语义深度特征，并将语义深度特征与方向梯度直方图(Histogram of Oriented Gradient，简称HOG)、尺度不变特征变换(Scale Invariant Feature Transform，简称SITF)、局部二值模式(Local Binary Patterns，简称LBP)等特征结合，采用多数投票和特征选择方法实现分类。

然而，上述基于人工智能的甲状腺结节良恶性识别方法仍然存在不可忽略的缺陷，其均只是对甲状腺结节图像序列提取的单个图像进行分析，存在极大的误判可能性，如果通过提取的单个图像预测该甲状腺结节是良性的，而实际是恶性的，就会出现误诊和漏诊，并耽误患者的正确治疗。

发明内容