[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

说明书

本公开提供了基于深度学习检测甲状腺超声图像中结节的方法，对甲状腺超声图像预处理操作；将预处理后的甲状腺超声图像特征提取，获取特征图像；将获取的特征图像分别输入至对应的分类与回归结构，获取针对每张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；对待训练模型进行训练以及测试操作。该方法提供了一种无需设置anchor box、高效的对甲状腺超声图像中结节区域进行检测的方法，避免与anchor box相关的计算与资源浪费、加快训练速度，增强实验结果泛化性能。本公开还提出基于深度学习检测甲状腺超声图像中结节的装置。

技术领域

本公开涉及计算机生物学技术领域，具体而言，涉及基于深度学习检测甲状腺超声图像中结节的方法和装置。

背景技术

目前已有很多运用深度学习方法在医疗图像上进行辅助诊断的技术，针对甲状腺超声图像中甲状腺结节的辅助诊断，常用的深度学习方法可以分为两类：一种是基于区域候选网络的双阶段检测器，另一种是不基于区域候选网络的单阶段检测器。两种方法概括来说均需要以下步骤：首先获得超声图像经过卷积神经网络提取特征后的特征图；其次在特征图上设置锚点(anchor)和一定数量、尺寸的锚框(anchor box)；最后进行锚框的位置回归算法以及类别划分算法，完成甲状腺超声图像中的结节检测。

但是，现有技术方案中，具有以下两点缺点：(1)需要在实验前设置三种尺寸为64,128和256,三种比例为1:2,1:1和2:1的anchor box，然而，由于实际情况中，输入甲状腺超声图像的尺寸不固定、图像内结节区域大小不一，anchor box的尺寸、宽高比、个数等超参数会给实验结果带来很大的影响，在实际辅助诊断的过程中面临着巨大的考验。(2)为了给实验结果带来较高的召回率，在一张图像中往往会设置大量且密集的anchor box，显而易见的是，每一张甲状腺超声图像中结节数量是极少的，往往是个位数，大量的anchor box在训练阶段的类别划分时会带来极大的正负样本类别不均衡问题，并且在训练与测试阶段计算IoU时会加剧计算量且消耗内存资源。

总体来说，现有技术会面临实验结果泛化性能不够好、模型训练过程缓慢、计算资源浪费等问题。

发明内容

为了解决现有技术中的技术问题，本公开实施例提供了基于深度学习检测甲状腺超声图像中结节的方法和装置，能够无需设置anchor box，并且采用一种加快anchor box回归的算法，最大限度的加快模型训练速度、增强实验结果泛化性能。

第一方面，本公开实施例提供了基于深度学习检测甲状腺超声图像中结节的方法，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。

在其中一个实施例中，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。

在其中一个实施例中，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。

在其中一个实施例中，所述分类与回归结构由分类网络和回归网络构成。