[发明专利]一种甲状腺钙化检测装置

说明书

本发明涉及一种甲状腺钙化检测装置，包括：TNet模型构建和训练模块：基于卷积神经网络VGG‑19模型来构建TNet模型；感兴趣图像获取模块：通过选取感兴趣坐标点的方式来获取感兴趣图像；甲状腺良恶性检测模块：通过所述TNet模型对所述感兴趣图像进行检测，并产生“随访”或“穿刺”作为输出；甲状腺特征图生成模块：用于从所述TNet模型中的第一卷积层输出的特征图中选择预设的特征图进行组合，得到甲状腺特征图；甲状腺钙化检测模块：用于对所述甲状腺特征图进行钙化检测。本发明能够有效检测甲状腺的钙化情况，且识别率较好，为医生正确判断病况提供可靠依据。

技术领域

本发明涉及辅助医学诊断领域，特别是涉及一种甲状腺钙化检测装置。

背景技术

甲状腺癌症是全球女性中最常见的癌症之一，女性的发病率是男性的三倍。在2018年，每20位被诊断出癌症的女性病例中就有1位是甲状腺癌。超声成像是一种用于癌症诊断的非侵入性、非辐射性且低成本的技术。然而，由于超声图像质量低，识别甲状腺和通过超声检测癌症迹象是一项艰巨的任务。

近年来，卷积神经网络(CNN)显示出了出色的目标检测能力，特别是对于大规模的视觉识别任务。CNN已用于包括医学成像在内的不同的计算机视觉任务，它在特征学习中表现出强大的功能，并且能够从图像中学习具有区分性和鲁棒性的对象特征(例如线条、形状、纹理和颜色)。有许多已经开发了的用于对象分类问题的CNN模型，例如在ImageNet数据集的“大规模视觉识别挑战”(ILSVRC)的背景下设计的VGGNet。VGG模型源自于DCNN训练的约120万张带标签的图像，它包含来自ILSVRC数据集的1000个不同类别，其中该数据集中的每个单个对象均作为主体，且位于图像中心，并伴有些许杂乱的背景。VGG模型将整个图像作为输入并预测对象的类别标签。VGG模型网络的体系结构包括权重层、规范化层、最大池化层、全连接层以及在输出层中具有softmax激活的线性层。

发明内容

本发明所要解决的技术问题是提供一种甲状腺钙化检测装置，能够有效识别甲状腺的钙化情况。

本发明解决其技术问题所采用的技术方案是：提供一种甲状腺钙化检测装置，包括：

TNet模型构建和训练模块：构建并训练基于卷积神经网络的VGG-19模型，调整所述VGG-19模型的最后三层结构；将所述VGG-19模型训练好的层迁移到新的卷积神经网络模型中，来构建TNet初始模型，并对所述TNet初始模型进行预训练，得到TNet模型；

感兴趣图像获取模块：通过选取感兴趣坐标点的方式对甲状腺超声图像的甲状腺边界进行截取，得到感兴趣图像；

甲状腺良恶性检测模块：用于将所述感兴趣图像输入到所述TNet模型中，所述TNet模型对所述感兴趣图像进行检测，并产生“随访”或“穿刺”作为输出；

甲状腺特征图生成模块：用于从所述TNet模型中的第一卷积层输出的特征图中选择预设的特征图进行组合，得到甲状腺特征图；

甲状腺钙化检测模块：用于对所述甲状腺特征图进行钙化检测，若甲状腺的平均亮度≤预设阈值t_cyst，则甲状腺为囊肿；若甲状腺的平均亮度＞预设阈值t_cyst，则甲状腺为非囊性结节，并通过钙化区域检测和钙化指数估算对所述非囊性结节进行钙化检测。

所述甲状腺钙化检测模块中钙化区域检测包括：利用所述非囊性结节对应的甲状腺超声图像I_x,y减去其对应的甲状腺特征图I'_x,y，得到可疑钙化图像，公式为：