[发明专利]一种基于深度学习网络的甲状腺结节的诊断方法有效

专利信息
申请号: 202011533385.X 申请日: 2020-12-22
公开(公告)号: CN112529894B 公开(公告)日: 2022-02-15
发明(设计)人: 唐璐;徐凯;张珂;赵英红 申请(专利权)人: 徐州医科大学
主分类号: G06T7/00 分类号: G06T7/00;G06T7/12;G06T7/13;G06F16/53;G06N3/04;G06N3/08
代理公司: 南京灿烂知识产权代理有限公司 32356 代理人: 赵丽
地址: 221004 *** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 学习 网络 甲状腺 结节 诊断 方法
【权利要求书】:

1.一种基于深度学习网络的甲状腺结节的诊断方法,其特征在于:包括如下步骤:

步骤一:搜集甲状腺患者甲状腺结节的超声原始医学图像和病理报告,对照病理报告的结果标注勾画甲状腺结节外轮廓和甲状腺实质区域的外轮廓,获得超声勾画图像,构建甲状腺结节数据库;

步骤二:对甲状腺结节的超声勾画图像进行预处理,形成预处理图像;

步骤三:基于改进的Xception-JFT的Deeplab v3+方法对预处理图像进行语义分割,形成语义分割结果图;

步骤四:基于深度学习网络对语义分割结果图进行甲状腺结节的良恶性判别,输出分类概率结果;

步骤五:根据步骤三中的语义分割结果图和步骤四中的分类概率结果,形成甲状腺结节诊断信息报告;

步骤2.1:将超声勾画图像通过处理软件处理后生成包含像素点的标签图像以便网络进行图像特征的识别,对甲状腺结节、实质及其他部位置于不同像素值,从而显示不同亮度区分甲状腺各部位;

步骤2.2:转化标签图像为灰度图像,灰白色通道的值为灰度图像与包含结节的甲状腺实质的掩模的特征矩阵对应元素相乘得到的矩阵,灰色通道仅包含结节,对于多结节的情况将每个结节分布在每张图像的红色通道上,保证每个红色通道只有一个结节,

步骤2.3:消除灰度图像中与甲状腺结节无关部分,获得优化图像;

步骤2.4:对优化图像进行直方图均衡化、小波去噪预处理和图像大小调整处理;

步骤三包括如下步骤:

步骤3.1:将预处理图像输入到以Xception为主干网络的Xception-JFT分割模型中;

步骤3.2:通过3×3卷积层对分割模型进行特征提取和下采样,四倍上采样后将特征矩阵输入 Decoder 部分,并进行尺寸为 1×1的卷积;

步骤3.3:16倍下采样后,输入特征矩阵到包含 ASPP 和池化的网络中,多尺度上提取特征信息,拼接提取的特征信息形成一个新的特征矩阵,新的特征矩阵与卷积核尺寸为 1×1 的卷积层相卷积;

步骤3.4:输入 Decoder 部分进行放大四倍的上采样,上采样后的矩阵与主干网络先输出的特征矩阵拼接,并与卷积核尺寸为 3×3 的卷积层相卷积;

步骤3.5:输出4倍上采样语义分割结果图;

特征矩阵包括甲状腺纹理、边缘、细节、形状和整体布局,甲状腺纹理为结节表面的纹路,边缘为结节边缘是否清晰,细节为结节细节图案,形状为结节区域是否规则,整体布局为结节所在位置和大小;

步骤四包括如下步骤:

步骤4.1:通过深度学习网络对于预处理后输入的语义分割结果图经过3×3的卷积核进行特征提取和下采样,步骤4.1深度学习网络模型选用Efficient Net B7;

步骤4.2:使用N组移动反向瓶颈卷积在不同尺度上进行特征提取;

步骤4.3:使用全连接层整合特征并进行分类;

步骤4.4:输出包含甲状腺结节良性概率和恶性概率的二维向量,完成甲状腺结节良恶性判断。

2.根据权利要求1所述的一种基于深度学习网络的甲状腺结节的诊断方法,其特征在于:所述步骤一中超声原始图像和病理报告预先进行脱敏处理。

3.根据权利要求1所述的一种基于深度学习网络的甲状腺结节的诊断方法,其特征在于:步骤五中诊断信息报告包括甲状腺结节大小、甲状腺结节形状图像和甲状腺结节良恶性判断结果。

4.根据权利要求3所述的一种基于深度学习网络的甲状腺结节的诊断方法,其特征在于:步骤一中勾画通过Anaconda 2的labelme标注工具对甲状腺结节进行人为手工勾画标注并以josn格式保存数据,步骤二中预处理过程选用 python 和 opencv工具。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于徐州医科大学,未经徐州医科大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011533385.X/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top