[发明专利]一种基于卷积神经网络算法的人工智能阅片方法

说明书

本发明属于人工智能技术领域，具体为一种基于卷积神经网络算法的人工智能阅片方法，包括步骤一：获取待检测目标图像；步骤二：图像区域选择；步骤三：目标特征提取；步骤四：根据特征进行目标分类；步骤五：对目标边界框回归；步骤六：结构优化；步骤七：完成目标检测，其结构合理，提高了甲状腺彩超诊断的准确性，防止术前甲状腺彩超的误诊，输入输出均为程序运行，消除了人为因素在影像诊断中的作用，比传统的方法能够更好的识别图像特征。而且这种逐步分级学习改进算法的能力，更加适合程序的改进，是目前AI中对医学影像图像诊断准确率最高的方法。

技术领域

本发明涉及人工智能技术领域，具体为一种基于卷积神经网络算法的人工智能阅片方法。

背景技术

甲状腺癌(Thyroid Carcinoma,TC)的发病率在全球范围内增长迅速，在国内，手术依然是医生治疗TC的首选治疗方案。然而，绝大多数TC生长缓慢，预后良好，其病死率并没有因为积极的手术治疗而有所下降，反而，手术却大大降低了TC患者的生存质量，所以，TC的过度诊断与过度治疗成为临床关注的重点。TC的术前诊断多依赖于甲状腺彩超，然而，彩超医生的经验和技术参差不齐，直接影响了甲状腺彩超诊断的准确性。研究表明，术前甲状腺彩超的误诊是导致错误穿刺和过度手术治疗的主要原因。

随着计算机技术的发展，人工智能(Artificial intelligence，AI)在医学影像图片识别和疾病诊断过程中，扮演着越来越重要的角色。基于卷积神经网络(ConvolutionalNeural Networks,CNN)算法的深度学习，特别是在可视结构与语言识别任务中，表现出了惊人的应用前景。大量研究表明，CNN在医学影像的学习和诊断任务中可以提供比传统方法更加准确的诊断信息。一些先进的临床医学中心，已经使用深度学习的AI算法去诊断乳腺、肺部、脑部和肝脏疾病。然而，至今仍没有一款针对甲状腺彩超的AI软件被开发。

为此，我们提出一种基于卷积神经网络算法的人工智能阅片方法解决上述问题。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

因此，本发明的目的是提供一种基于卷积神经网络算法的人工智能阅片方法，提高了甲状腺彩超诊断的准确性，防止术前甲状腺彩超的误诊。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种基于卷积神经网络算法的人工智能阅片方法，其包括如下步骤：

步骤一：获取待检测目标图像；

步骤二：图像区域选择；

步骤三：目标特征提取；

步骤四：根据特征进行目标分类；

步骤五：对目标边界框回归；

步骤六：结构优化；

步骤七：完成目标检测。

作为本发明所述的一种基于卷积神经网络算法的人工智能阅片方法的一种优选方案，其中：本发明算法的实现主要依靠nanoDet的模型，nanoDet包含特征提取主干网络、特征融合网络、检测头三个部分。

作为本发明所述的一种基于卷积神经网络算法的人工智能阅片方法的一种优选方案，其中：在神经网络中，尤其是CV(computer vision)领域中，一般先对图像进行特征提取，这一部分是整个CV任务的根基，所以将这部分网络结构称为backbone；nanoDet选择ShuffleNetV2 1.0x作为backbone。ShuffleNetV2 1.0x是ShuffleNetV1的改进版本，改进过程遵循以下4条指导原则：