[发明专利]基于多目标学习的超声影像甲状腺结节分类方法及系统

权利要求书

1.一种基于多目标学习的超声影像甲状腺结节分类方法，其特征在于，包括：

获取甲状腺结节数据；

将所述甲状腺结节数据划分为测试集和训练集；

根据所述训练集，构建深度学习模型；

根据所述深度学习模型，引入先验知识数据确定结节特征集的学习目标，得到基于多目标学习的甲状腺结节分类模型；

根据所述测试集，评估优化所述基于多目标学习的甲状腺结节分类模型；

将获取的检测数据，输入所述评估优化后的基于多目标学习的甲状腺结节分类模型，得到分类结果。

2.根据权利要求1所述的一种基于多目标学习的超声影像甲状腺结节分类方法，其特征在于，所述获取甲状腺结节数据，包括：

获取影像数据，所述影像数据包括甲状腺超声影像和甲状腺结节掩膜；

获取标注数据，所述标注数据表示甲状腺结节特征数据。

3.根据权利要求2所述的一种基于多目标学习的超声影像甲状腺结节分类方法，其特征在于，所述获取甲状腺结节数据，还包括：

对所述影像数据进行预处理。

4.根据权利要求3所述的一种基于多目标学习的超声影像甲状腺结节分类方法，其特征在于，所述对所述影像数据进行预处理，包括：

获取所述甲状腺掩膜中标注的结节及所述标注的结节的外部区域，得到外扩信息；

根据所述外扩信息，确认所述甲状腺超声影像的感兴趣区域；

对所述感兴趣区域进行直方图均衡化处理，得到目标结节影像。

5.根据权利要求3所述的一种基于多目标学习的超声影像甲状腺结节分类方法，其特征在于，所述将所述甲状腺结节数据划分为测试集和训练集，包括：

将所述预处理后的影像数据划分为测试集和训练集；

将所述标注数据划分为测试集和训练集。

6.根据权利要求1所述的一种基于多目标学习的超声影像甲状腺结节分类方法，其特征在于，所述引入先验知识数据确定结节特征集的学习目标，包括：

引入ACR TI-RADS医学指南中成分、回声、形态、边界和局灶性强回声五类结节知识数据作为结节特征集的学习目标。

7.根据权利要求1所述的一种基于多目标学习的超声影像甲状腺结节分类方法，其特征在于，所述根据所述测试集，评估优化所述基于多目标学习的甲状腺结节分类模型，包括：

根据所述测试集，确定五组预测结果；

对所述预测结果进行平均融合处理，得到融合结果；

根据所述融合结果对所述基于多目标学习的甲状腺结节分类模型进行上限逼近处理；

计算所述甲状腺结节分类的评价指标；

根据所述评价指标，评估所述上限逼近处理后的基于多目标学习的甲状腺结节分类模型。

8.一种基于多目标学习的超声影像甲状腺结节分类系统，其特征在于，包括：

第一模块，用于获取甲状腺结节数据；

第二模块，用于将所述甲状腺结节数据划分为测试集和训练集；

第三模块，用于根据所述训练集，构建深度学习模型；

第四模块，用于根据所述深度学习模型，引入先验知识数据确定结节特征集的学习目标，得到基于多目标学习的甲状腺结节分类模型；

第五模块，用于根据所述测试集，评估优化所述基于多目标学习的甲状腺结节分类模型；

第六模块，用于将获取的检测数据输入所述评估优化后的基于多目标学习的甲状腺结节分类模型，得到分类结果。

9.一种电子设备，其特征在于，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。