[发明专利]基于Faster-RCNN的超声图像甲状腺结节智能检测系统

说明书

本发明公开了一种基于Faster‑RCNN的超声图像甲状腺结节智能检测系统。采用的Faster‑RCNN模型在进行目标检测时，与区域卷积神经网络RCNN相比，提升了速度，优化了存储空间，实现了结节良恶性的快速自动化检测，并在模型构建中对特征进行优化，在深度学习训练前计算超声诊断标准ACR TI‑RADS中的关键特征，寻找影响临床诊断的关键图像特征因子，并将其加入到卷积神经网络特征层中进行改进，构建一个新的鉴别模型，从而提高预测结果的准确性。

技术领域

本发明属于计算机图像处理领域，特别涉及一种是利用智能检测技术识别甲状腺超声结节良恶性的识别系统。

背景技术

甲状腺肿瘤是头颈部的常见和多发肿瘤，甲状腺恶性肿瘤占收治恶性肿瘤的百分之十以上，远高于其他头颈部肿瘤。近些年来，甲状腺癌的发病率逐年增高，受到了临床人员和研究人员的广泛关注。对甲状腺结节的早期诊断和治疗能够有效的预防甲状腺癌，某些甲状腺结节的癌变率较高，早诊断、早手术可以避免更严重的后果。国内医疗资源紧张，医务人员每天需要面对大量的患者，对甲状腺结节进行实时诊断，医生诊疗任务繁重，如何从患者的临床资料中挖掘鉴定结节良恶性的信息，从大量的甲状腺结节中鉴别出恶性结节，对于临床来说始终非常重要且富有挑战性。

甲状腺结节B超图像是进行良恶性结节诊断的一项重大依据，分析甲状腺B超图像，研究甲状腺结节良恶性在超声图像上的不同特点，识别出甲状腺结节及其良恶性分类，可以避免因临床数据图像数据繁多出现视觉疲劳，或因为临床经验不足发生漏诊、误诊等情况发生，缩短诊断所需的时间。

随着人工智能技术快速发展，一些研究人员利用人工智能技术在甲状腺结节自动方面展开探索实践，根据甲状腺疾病的特点，将先进的计算机技术应用于实际的诊断过程中，利用计算机信息处理分析方面的优势，并结合临床诊断医生的医学知识对疾病进行科学的判断。但目前大多数人工智能的甲状腺结节智能诊断研究存在建模数据不够全面问题，多选择基于甲状腺超声图像数据，或者经过挑选之后比较完整的文本特征数据进行模型构建，而在实际诊疗过程中，患者的历史临床数据如患者的既往病史、用药记录及检验结果等临床数据都会影响患者结节的良恶性的判断，目前的研究文章直接利用机器学习方法直接进行分类模型训练，缺失分类后的智能检测定位，有一定的改进空间，准确的智能检测对医生的临床诊疗工作有更好的辅助效果。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于Faster-RCNN的超声图像甲状腺结节智能检测系统。

为了实现上述目的，本发明采用以下技术方案：一种基于Faster-RCNN的超声图像甲状腺结节智能检测系统，包括：数据采集模块、基础特征提取模块、分类模块、训练模块和检测判断模块；

其中所述数据采集模块用于采集甲状腺结节患者的临床数据，包括患者的基本信息、临床诊断、检验报告、病理报告、超声报告和超声图像；

所述基础特征提取模块用于分析超声图像中甲状腺结节图像的鉴别特征，获得结节区域的图像特征；

所述分类模块用于对获得的结节区域的图像特征结合根据病理报告的结论进行分类，将结节区域的图像区分为良性结节和恶性结节，分别进行标注，分类为良性结节超声图像集和恶性结节超声图像集；

所述训练模块用于将分类模块分类获得的超声图像集采用Faster-RCNN深度学习检测模型进行训练，构建分类与回归模型；

所述检测判断模块用于将构建的模型对检测的超声报告中甲状腺结节区域进行识别，判断为良性结节或恶性结节。

进一步的，识别系统还包括信息处理模块，包括结构化数据处理单元和非结构化数据处理单元；所述结构化数据处理单元用于对患者的基本信息、临床诊断、检验检查报告进行归一化处理；所述非结构化数据处理单元用于对患者的病理报告、超声报告和超声图像采用自然语言处理技术实现非结构化文本至结构化文本的转换。