[发明专利]一种基于深度学习的甲状腺恶性结节检测方法

权利要求书

1.一种基于深度学习的甲状腺恶性结节检测方法，其特征在于：所述方法的步骤为：

1)用python编写程序读取超声波图像数据，进行预处理；

2)采用Faster-RCNN算法构建目标检测网络，调整并训练模型；

3)采用RetinaNet算法构建目标检测网络，调整并训练模型；

4)检测并评估两种算法构建的目标检测网络，比较效果、分析结果。

2.根据权利要求1所述的基于深度学习的甲状腺恶性结节检测方法，其特征在于：所述步骤1)对超声波图像数据预处理的具体操作为：

a、图片剪除，将输入的超声波图像中含有的如设备名称型号及患者隐私信息等额外标记进行剪除；

b、将图片存入JPEGImages文件并统一格式命名，生成Main文件夹下的.txt文件，包括验证集、训练集、测试集图片编号；

c、使用labelImg工具给图片打标签，给目标物体建立box边框再保存生成.xml文件，包括目标的类名、以及预测边框的坐标。

3.根据权利要求1所述的基于深度学习的甲状腺恶性结节检测方法，其特征在于：所述步骤2)调整并训练模型的具体操作为：

a、采用BackBone网络为VGG16，在ImageNet上预训练好的VGG16权重的基础上进行训练，以VOC2007数据集的格式为标准，制作针对甲状腺超声结节的图像分类数据集；

b、将pascal_voc.py和demo.py中的目标类别改为background和jiejie，将demo.py中的类别数改为2，计算数据集像素平均值，更新config.py中的pix_mean列表；

c、设置模型初始参数learningrate、batchsize、最大迭代次数及stepsize，根据检测结果调整数据集、迭代次数及anchor的尺寸，当预测目标区域和真实目标区域的交并比接近100％，模型的预测边框和真实目标区域越来越接近后，正式训练检测模型。

4.根据权利要求1所述的基于深度学习的甲状腺恶性结节检测方法，其特征在于：所述步骤3)调整并训练模型的具体操作为：

a、采用的BackBone网络为ResNet50，下载在ImageNet上预训练好的ResNet50的模型，将其存入对应文件夹；

b、设置模型初始参数Scorethreshold及IoUthreshold，根据检测结果调整数据集、迭代次数及anchor的尺寸，经过多次调整后，正式训练检测模型。

5.根据权利要求1所述的基于深度学习的甲状腺恶性结节检测方法，其特征在于：所述步骤4)检测评估中用mAP作为评价指标对算法的效果进行评估及验证，同时需要计算模型的检测准确率、召回率及预测目标框和真实目标框的交并比(IoU)，计算公式如下：

其中：TP是指正样本被正确识别为正样本；

FP是负样本被错误识别为正样本；

FN是正样本被错误识别为负样本；

AP是公式(1)中Precision和公式(2)中Recall构成的曲线围成的面积；

k代表代表k个类别；

mAP是k个类别AP的平均值；

m代表mean，是对每个类的AP再求平均，得到的就是mAP的值。