[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

说明书

本发明公开了一种基于多目标学习的超声影像甲状腺结节分类方法及系统，方法包括：获取甲状腺结节数据；将甲状腺结节数据划分为测试集和训练集；根据训练集，构建深度学习模型；根据深度学习模型，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；根据测试集，评估优化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。本发明能够给在甲状腺结节识别预测过程中给医生带来额外的信息，并且可以对预测的恶性概率做出解释，从而更好地在临床实践中辅助医生，可广泛应用于超声影像处理与深度学习技术领域。

技术领域

本发明涉及超声影像处理与深度学习技术领域，尤其是基于多目标学习的超声影像甲状腺结节分类方法及系统。

背景技术

超声影像中甲状腺结节分类是一个广泛存在的临床问题，需要在使用穿刺活检或手术切除前，用超声影像准确判断甲状腺结节的良恶性，最终为患者制定更好的治疗方案，避免不必要的手术。目前在临床中往往参照C-TIRADS、ATA等医学指南诊断结节，其中定义了若干与结节良恶性密切相关的特征(例如有无钙化、回声强度等)，通过参考这些结节特征判断结节的恶性风险，但诊断结果存在严重的inter-observer variability(医生间差异，表示不同医生会给出不同的结果)与intra-observer variability(医生内差异，表示同一个医生的多次判断会得到不同的结果)；同时也有使用深度学习技术的辅助诊断系统，它们大多基于卷积神经网络，但是其可解释性差，在临床中应用时难以得到医生和患者的信任。

构建甲状腺结节的辅助诊断系统时，近年来最常见的模型就是卷积神经网络。卷积神经网络是一类专门处理图像的神经网络模型。其基本的流程包括收集数据、图像预处理、训练深度学习模型(包括提取特征和预测良恶性，一般作为一个整体)和评估模型效果。本质上是利用收集到的甲状腺结节超声影像-良恶性数据对去训练一个机器学习模型，使其能够拟合从超声影像到良恶性的映射，从而给出模型预测结果，辅助医生诊断。构建这类模型时，一方面会面临超声影像本身较差的影像质量，图像中不能反映出结节的所有特征；另一方面会面临有限的数据量，这可能会导致模型出现过拟合，体现为训练时性能良好，评估时性能较差。现有的深度学习方法面临的最大问题就是可解释性差，即医生无从得知模型得到预测结果的原因，这使得这些模型在临床实践时会遇到阻力。

发明内容

有鉴于此，本发明实施例提供基于多目标学习的超声影像甲状腺结节分类方法及系统，能够为模型预测结果提供解释性说明，以此校正概率性预测错误，从而更好地在临床实践中辅助医生。

本发明实施例的第一方面提供了一种基于多目标学习的超声影像甲状腺结节分类方法，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。

可选地，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。

可选地，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。

可选地，所述对所述影像数据进行预处理，包括：