[发明专利]一种基于深度学习的甲状腺恶性结节检测方法

说明书

本发明涉及一种基于深度学习的甲状腺恶性结节检测方法，用于甲状腺恶性结节的辅助诊断，它可以在医疗图像分辨率低、精度不高、目标与背景辨识度低的特点下，经过大量数据的训练后，实现感兴趣区域的自动标注。可以有效地减少主观因素造成的误差，帮助放射科医生快速、准确地诊断。在检测精度和速度上达到相当可观的高度，具有临床应用的潜力。

技术领域

本发明属于图像处理领域，涉及深度学习技术和目标检测技术，特别涉及一种基于深度学习的甲状腺恶性结节检测方法。

背景技术

超声诊断技术，由于其检查方便、花费少等优点广泛应用于临床。研究表明,超声在鉴别甲状腺结节良恶性方面是有优势的因为超声图像中甲状腺结节在尺寸、形态、个数、囊变、钙化、供血等方面良恶性结节有明显区别，所以临床医生可以根据这些特点来判断结节的性质。但是超声诊断由于需要医生手工标记病变区域，工作量大，而且不同经验和水平的医生对于结果的诊断往往具有主观性。因此，需要新技术快速精准的把结节区域提取出来，然后对提取的结节区域提取一系列的有效特征用于判别结节的良恶性。

深度学习是机器学习的技术和研究领域之一，通过建立具有阶层结构的人工神经网络，在计算系统中实现人工智能。由于阶层ANN能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习能力，可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层ANN具有多种形态，其阶层的复杂度被通称为“深度”。按构筑类型，深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标，该过程被通称为“学习”。学习的常见方法为梯度下降算法及其变体，一些统计学习理论被用于学习过程的优化。

目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。目前主流的目标检测算法主要有两个方向：one-stage和two-stage。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度学习的甲状腺恶性结节检测方法，用于甲状腺恶性结节的辅助诊断，它可以在医疗图像分辨率低、精度不高、目标与背景辨识度低的特点下，经过大量数据的训练后，实现感兴趣区域的自动标注。可以有效地减少主观因素造成的误差，帮助放射科医生快速、准确地诊断。在检测精度和速度上达到相当可观的高度，具有临床应用的潜力。

本发明解决其技术问题是通过以下技术方案实现的：

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。

而且，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。

而且，所述步骤2)调整并训练模型的具体操作为：