[发明专利]基于Transformer的甲状腺结节检测方法

权利要求书

1.一种基于Transformer的甲状腺结节检测方法，其特征在于，所述方法包括：

获取甲状腺区域的待测超声图像并对获取到的待测超声图像进行图像预处理；

将完成图像预处理的所述待测超声图像输入结节检测模型，所述结节检测模型是预先基于Transformer网络训练得到的；

根据所述结节检测模型的输出确定所述待测超声图像的结节的位置以及类型，完成对所述待测超声图像中的结节的检测，结节的类型用于指示结节为良性结节或恶性结节。

2.根据权利要求1所述的方法，其特征在于，所述对获取到的待测超声图像进行图像预处理，包括：

通过阈值法对所述待测超声图像进行图像裁剪，保留所述待测超声图像中的超声窗口区域的图像、裁剪掉除超声窗口区域之外的背景区域的图像；

对超声窗口区域的图像进行直方图均衡化，得到完成图像预处理的所述待测超声图像。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

构建样本数据集，所述样本数据集包括若干个甲状腺区域的完成图像预处理的样本超声图像，每个样本超声图像中包括结节标注框，结节标注框用于标注样本超声图像中的结节的位置以及类型，所述样本数据集的样本超声图像中包括多种不同位置和/或类型的结节；

利用所述样本数据集基于Transformer网络进行网络训练得到所述结节检测模型。

4.根据权利要求3所述的方法，其特征在于，所述利用所述样本数据集基于Transformer网络进行网络训练得到所述结节检测模型，包括：

利用ImageNet数据集基于Transformer网络进行预训练；

将预训练好的网络参数迁移到Transformer网络中并利用所述样本数据集进行网络训练得到所述结节检测模型。

5.根据权利要求3所述的方法，其特征在于，所述利用所述样本数据集基于Transformer网络进行网络训练得到所述结节检测模型，包括：

将所述样本数据集划分为训练集、验证集和测试集，利用所述训练集中的样本超声图像基于Transformer网络进行网络训练，利用所述验证集中的样本超声图像对训练的超参数进行优化得到所述结节检测模型，并利用测试集中的样本超声图像对训练得到的结节检测模型进行测试；

其中，训练集中的样本超声图像包括的良性结节和恶性结节的数量差在第一误差范围内，且属于同一个患者的多个样本超声图像不同时包含在训练集和验证集中。

6.根据权利要求5所述的方法，其特征在于，所述样本数据集的样本超声图像中包括至少两种不同尺寸范围的结节，训练集中的样本超声图像包括的各种尺寸范围的结节的数量差在第二误差范围内。

7.根据权利要求1或2所述的方法，其特征在于，所述结节检测模型从输入到输出依次包括特征提取模块、编码模块、解码模块和FFN预测模块；

所述特征提取模块对输入的完成图像预处理的所述待测超声图像进行特征提取输出特征图；所述编码模块用于所述特征图进行编码处理得到编码结果；所述解码模块用于对所述编码结果进行解码处理得到解码结果；所述FFN预测模块包括分类分支和回归分支，所述分类分支用于对所述解码结果进行分类确定结节的类型，所述回归分支用于对所述解码结果进行检测框的回归确定结节的位置。

8.根据权利要求7所述的方法，其特征在于，

所述编码模块包括从输入到输出依次相连的输入单元和6个编码单元，所述输入单元将所述特征图转化为序列化数据，并对所述特征图的位置信息进行位置编码，所述输入单元输出的序列化数据和位置编码相加作为输入数据依次经过6个编码单元得到所述编码结果；

所述解码结果包括从输入到输出依次相连的6个解码单元，第一个解码单元的输入获取N个实例嵌入序列，每个实例嵌入序列对应待测超声图像中的一个物体实例；所述编码模块输出的所述编码结果分别输入到6个解码单元的多头交叉注意力机制层，每个解码单元从所述编码结果中对预定的物体实例的特征做聚合，最后一个解码单元输出N个特征向量作为所述解码结果。