[发明专利]基于深度学习检测甲状腺超声图像中结节的方法和装置

权利要求书

1.基于深度学习检测甲状腺超声图像中结节的方法，其特征在于，所述方法包括：

对甲状腺超声图像进行预处理操作；

将预处理后的所述甲状腺超声图像进行特征提取，以获取特征图像；

将获取的所述特征图像分别输入至对应的分类与回归结构，以获取针对每张所述特征图像中甲状腺结节区域的具体位置信息；

对输入至对应的分类与回归结构中的所述特征图像计算所产生的分类损失、中心点距离回归损失以及偏移量损失，通过加权求和计算获取待训练模型的总体损失；

对所述待训练模型进行训练以及测试操作。

2.根据权利要求1所述的基于深度学习检测甲状腺超声图像中结节的方法，其特征在于，对甲状腺超声图像进行预处理操作包括：对所述甲状腺超声图像依次进行缩放、填充与归一化处理操作。

3.根据权利要求1所述的基于深度学习检测甲状腺超声图像中结节的方法，其特征在于，将预处理后的所述甲状腺超声图像进行特征提取，以获取特征图像包括：将预处理后的所述甲状腺超声图像输入至特征提取网络进行特征提取，以获取多尺度的特征图；其中，所述特征提取网络由残差特征提取网络和多尺度特征融合网络构成。

4.根据权利要求1所述的基于深度学习检测甲状腺超声图像中结节的方法，其特征在于，所述分类与回归结构由分类网络和回归网络构成。

5.根据权利要求1所述的基于深度学习检测甲状腺超声图像中结节的方法，其特征在于，将获取的所述特征图像分别输入至对应的分类与回归结构，以获取针对每张所述特征图像中甲状腺结节区域的具体位置信息包括：

所述特征图像经过多个卷积模块操作，提取到图像的深层分类特征；其中，每个卷积模块中包含卷积层、批归一化层、非线性激活函数；

将深层分类特征经过感受野更大的卷积层，得到尺寸为W*H*1的张量；其中，所述特征图像中每个特征点预测为结节区域的分类置信度，W*H为所述特征图像的尺寸。

6.根据权利要求5所述的基于深度学习检测甲状腺超声图像中结节的方法，其特征在于，还包括：所述分类特征经过偏移量分支执行卷积层操作，提取到图像的偏移量特征，得到所述特征图像中每个预测框至目标框中心点的偏移量预测值。