[发明专利]一种基于目标检测的甲状腺结节侵袭性预测方法

权利要求书

1.一种基于目标检测的甲状腺结节侵袭性预测方法，其特征在于，所述方法包括如下步骤：

S1：采用自适应小波算法对临床获得的甲状腺超声图像进行预处理，剔除图像噪声并在高频域内保留图像的边缘信息，得到原始数据集；

S2：构建基于传统Faster RCNN的网络结构的定位网络模型；在定位网络模型中的ResNet模块内增加通道注意力机制，通过在通道维度上差异化各特征图的权重以此来增加网络在通道维度上的非线性表达能力；并对定位网络模型进行预训练；定位网络模型的构建和训练过程包括如下步骤：

S21：采用Faster RCNN作为定位网络，采用ImageNet迁移学习来对网络进行预训练，本地训练的数据采用包含结节的超声图像；

S22：将模型整体调整为边界回归的单一任务网络，本地训练时，增加定位损失的权重；

S23：在定位网络模型中，采用构造多尺度金字塔的方案，同时利用底低层特征和高层特征分别在不同层同时预测甲状腺结节目标的位置；

S24：在定位网络模型中，采用ResNet50+FPN的三层融合特征来生成区域建议，同时在定位网络中的特征提取模块中采用通道注意力机制保障网络定位效果；

S25：在定位网络模型中，采用特征金字塔进行锚点选择，同时舍弃ResNet50第三残差块的输出特征；

S26：在ImageNet预训练权重基础下，利用自制数据集训练定位网络，训练所用数据为true mask对应最小水平外接矩形的角点坐标，定位网络模型的评价标准采用真实矩形框与预测矩形框的dice系数；

S3：对网络模型进行调整，从而利用定位网络对超声图像中的结节形态信息进行提取；利用定位网络输出的矩形坐标点来得到结节的纵横比信息；

S4：构建分类网络模型，所述分类网络模型采用ResNet网络来作为基线网络，分类网络模型中包括并行的特征提取网络Net1和Net2；同时在分类网络模型中的ResNet模块内增加通道注意力机制，通过在通道维度上差异化各特征图的权重以此来增加网络在通道维度上的非线性表达能力；

S5：建立多模型融合的甲状腺结节侵袭性预测网络，所述融合的网络模型对超声图像中甲状腺结节侵袭性的预测处理过程如下：

S51：通过定位网络模型对超声图像中的结节的高精度定位，获取两种不同区域的含结节图像，分别为：(1)只包含结节的图像；(2)除结节外还包含大量周围组织的图像；

S52：将只包含结节的图像和除结节外还包含大量组织信息图像分别输入到并行的特征提取网络Net1和Net2中；

S53：利用定位网络模型中的预测矩形框输出定位的结节的纵横比信息；

S54：将特征提取网络Net1和Net2提取结节特征与上下文特征通过全局平均池化的方式进行特征拼接，再与定位网络模型所提取到的纵横比信息拼接；

S55：将上步骤拼接的完整信息输入到分类网络模型中的全连接层中进行分类，得出恶性有侵袭、恶性无侵袭或良性结节的预测结论；

S6：对融合的网络模型中的分类网络模型进行训练更新，保存验证集中准确率最高的模型。

2.如权利要求1所述的基于目标检测的甲状腺结节侵袭性预测方法，其特征在于：所述步骤S1中超声甲状腺图像的预处理方法中自适应小波算法的设计过程如下：

S11：设置小波阈值函数的传统表达式为：

上式中，D为阈值，M为对应层小波域内小波系数总个数，σ为小波域噪声的标准差；

S12：设计小波系数的变换函数使得当小波系数w的绝对值小于等于小波阈值D时，该系数置零；当小波系数w的绝对数值大于D时，对该系数进行缩减，达到软阈值去噪作用，所述小波系数的变换函数的表达式为：

上式中，D为阈值，w为小波系数；

S13：在各分解层中引入对应的影响因子，从而将小波阈值函数改进为自适应阈值函数，满足动态滤波的需求；其中，改进后的小波阈值函数的表达式为：

上式中，D为阈值，e^c表示第c个分解层中引入的对应的影响因子，σ为小波域噪声的标准差；M为对应层小波域内小波系数总个数。

3.如权利要求2所述的基于目标检测的甲状腺结节侵袭性预测方法，其特征在于：所述步骤S13中，将小波分解层c的数量设置为3层，即c∈[1,2,3]。