[发明专利]一种基于参数迁移的甲状腺结节识别模型训练方法及系统

说明书

本发明公开了一种基于参数迁移的甲状腺结节识别模型训练方法及系统，所述方法包括：获取带标记的源域数据和甲状腺结节超声图像；采用所述源域数据对卷积神经网络进行预训练，得到预训练模型参数；在所述卷积神经网络的基础上对全连接层进行增减，保留的层采用预训练模型参数，以甲状腺结节超声图片作为输入，对修改后的卷积神经网络进行训练，得到甲状腺结节识别模型，用于对甲状腺结节进行识别，辅助诊断。本发明通过引入迁移学习的思想，解决了因甲状腺结节影响数据目标识别难度大，特征不明显从而难以训练的问题。

技术领域

本发明属于计算机辅助医疗技术领域，尤其涉及一种基于参数迁移的甲状腺结节识别模型训练方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着科技的不断进步，医学影像采集愈加便利和精准，成为医生诊断患者病情的直接依据。对于甲状腺结节的检查目前主要依靠超声，相较于CT和核磁，超声的好处是便宜、灵活、实时、无副作用；但缺点是图像不清楚、噪音比较大，这对医生的要求就比较高。而CT和核磁的优点是图像清晰，缺点是检测费用高、副作用比较大。基于此，我们就选择了基于甲状腺结节超声影像的识别和诊断。传统的医学影像的诊断的工作流程大体是这样的：首先将非结构化影像数据进行识别、分析与处理，提取相关信息；其次，将大量临床影像数据和诊断经验输入人工智能模型，使神经元网络进行深度学习训练；最后，基于不断验证、总结与迭代的算法模型，进行影像诊断智能推理，输出个性化的诊疗判断结果。

发明人发现现有技术中存在以下技术问题：

深度学习虽然在图像识别领域中大放异彩，但却需要大量的数据进行训练。而在医疗影像识别领域中，由于涉及到病人隐私等原因，往往很难得到大量的优质的图像数据，因此难以取得好的效果。

同时，为了取得更优异的效果，深度学习的网络结构也越来越深，因此耗费了更多的计算资源，并且使用了更多的参数，导致更多的内存占用，造成了极大的显存开销。这非常不利于深度学习在医学影像领域的推广落地。

而针对于甲状腺结节诊断任务，由于超声图像存在着对比度低、灰度不均匀、斑点噪声较严重、边缘模糊等一些缺陷，并且不同的检测设备和使用习惯等因素也会造成误差，使得甲状腺结节诊断模型的训练更加困难；再者，获取充足的甲状腺结节超声影像作为训练数据较为困难，且标注成本很高，这些都导致甲状腺结节超声诊断的任务难度更高。因此，甲状腺结节诊断任务与其他的图像分类任务相比，挑战更大，目前未解决的难题更多。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于参数迁移的甲状腺结节识别模型训练方法及系统。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于参数迁移的甲状腺结节识别模型训练方法，包括以下步骤：

获取带标记的源域数据和甲状腺结节超声图像；

采用所述源域数据对卷积神经网络进行预训练，得到预训练模型参数；

在所述卷积神经网络的基础上对全连接层进行增减，保留的层采用预训练模型参数，以甲状腺结节超声图片作为输入，对修改后的卷积神经网络进行训练，得到甲状腺结节识别模型。

一个或多个实施例提供了一种基于参数迁移的甲状腺结节识别模型训练系统，包括：

训练数据获取模块，被配置为：获取已进行数据标记的源域数据和甲状腺结节超声图像；

预训练模块，被配置为：采用所述源域数据对卷积神经网络进行预训练，得到预训练模型参数；

迁移训练模块，被配置为：在所述卷积神经网络的基础上对全连接层进行增减，保留的层采用预训练模型参数，以甲状腺结节超声图片作为输入，对修改后的卷积神经网络进行训练，得到甲状腺结节识别模型。