[发明专利]基于多级加权神经网络的甲状腺结节定位方法

权利要求书

1.一种基于多级加权神经网络的甲状腺结节定位方法，其特征是：构建基于PyTorch深度学习框架的甲状腺结节定位模型，其中，所构建的甲状腺结节定位模型包括结节轮廓粗定位网络模型以及结节轮廓精定位网络模型；

对任一待识别定位的甲状腺超声图像，对所述甲状腺超声图像进行预处理，并将预处理后的甲状腺超声图像依次经结节轮廓粗定位网络模型以及结节轮廓精定位网络模型分割定位处理，以得到甲状腺结节位置轮廓特征图，并根据所述甲状腺结节位置轮廓特征图，在所识别定位的甲状腺超声图像上描绘出甲状腺结节的位置与轮廓。

2.根据权利要求1所述的基于多级加权神经网络的甲状腺结节定位方法，其特征是：对所述甲状腺超声图像预处理时，包括将所述甲状腺超声图像转换至目标尺寸规格，并将转换后图像的像素值归一化处理。

3.根据权利要求2所述的基于多级加权神经网络的甲状腺结节定位方法，其特征是，构建基于PyTorch深度学习框架的甲状腺结节定位模型时，包括如下步骤：

步骤1、提供基于PyTorch深度学习框架的目标定位模型，并配置训练所述目标定位模型的超参数；

步骤2、制作用于训练目标定位模型的训练数据集和测试数据集，在利用所制作的数据集对目标定位模型进行训练时，损失函数采用FocalLoss损失函数，利用Adam优化器对当前目标定位模型的参数进行优化，并在训练终止后得到基于PyTorch深度学习框架的甲状腺结节定位模型。

4.根据权利要求1至3任一项所述的基于多级加权神经网络的甲状腺结节定位方法，其特征是，结节轮廓粗定位网络模型对预处理后的甲状腺超声图像处理时，包括如下步骤：

步骤10、将待识别定位的甲状腺超声图像预处理后，以得到特征图一，并将所得到的特征图一输入到结节轮廓粗定位网络模型，所述结节轮廓粗定位网络模型利用步长为2的卷积操作实现下采样，并使用双线性插值方法逐步扩增特征图，最后得到通道数为2的特征图二；

步骤11、对特征图二内两个通道内的元素值进行比较，以得到表征结节位置指示特征的特征图三；

步骤12、根据特征图三，确定粗结节定位轮廓以及与所确定粗结节定位轮廓相适配的轮廓外扩矩形，根据所确定的轮廓外扩矩形在甲状腺超声图像上截取图像块，以利用所截取的图像块生成特征图四，并将所述特征图四输入到结节轮廓精定位网络模型。

5.根据权利要求4所述的基于多级加权神经网络的甲状腺结节定位方法，其特征是，所述结节轮廓精定位网络模型包括结节轮廓第一定位子网络、结节轮廓第二定位子网络以及结节轮廓第三定位子网络，其中，通过结节轮廓第一定位子网络对特征图四处理后得到通道数为2的特征图五；结节轮廓第二定位子网络对特征图五和特征图四进行处理，以得到通道数为2的特征图六；结节轮廓第三定位子网络对特征图六和特征图四进行处理，以得到通道数为2的特征图七。

6.根据权利要求5所述的基于多级加权神经网络的甲状腺结节定位方法，其特征是，对特征图七内两个通道内的元素值进行比较，并在比较后得到特征图八；

将特征图八的尺寸调整到与轮廓外扩矩形相同的尺寸，并将尺寸调整后的特征图八覆盖到特征图三中，以得到表征结节精位置指示特征的特征图九，利用特征图九，在所识别定位的甲状腺超声图像上描绘出甲状腺结节的位置与轮廓。

7.根据权利要求5所述的基于多级加权神经网络的甲状腺结节定位方法，其特征是，通过结节轮廓第一定位子网络对特征图四处理后得到特征图五时，所述特征图五的通道数为2，其中，任一特征点的第一通道特征值表示该特征点为非甲状腺结节的概率值，任一特征点的第二通道特征值表示该特征点为甲状腺结节的概率值。