[发明专利]基于多级加权神经网络的甲状腺结节定位方法

说明书

本发明涉及一种基于多级加权神经网络的甲状腺结节定位方法。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。本发明能对甲状腺超声图像上的结节实现快速准确的定位，使诊断结果更加可靠。

技术领域

本发明涉及一种甲状腺结节定位方法，尤其是一种基于多级加权神经网络的甲状腺结节定位方法。

背景技术

近几年来，甲状腺疾病的发病率不断攀升，已受到人们越来越多的关注。甲状腺结节是指在甲状腺组织中出现的一种异常生长的肿块，是临床常见的病症。甲状腺结节有良、恶性之分，早期发现病灶并正确判断其良恶性对后续治疗方案有重要的指导意义。

甲状腺良恶性结节在超声图像上存在可辨别的影像特征，同时超声检查具有成本低廉、无辐射、安全可靠等优点，已成为诊断甲状腺疾病的常用手段之一，故研究如何辅助医生在超声图像上准确定位结节并确定结节轮廓，就具有重要的临床应用价值。但由于甲状腺超声图像常常出现分辨率低、灰度不均匀、边缘模糊、且斑点噪声严重等问题，加之不同人群甲状腺结节的边界轮廓、大小及位置多变，故结节在超声图像上呈现的形态千变万化，这在很大程度上影响了对结节轮廓判断的准确性。

随着计算机技术和算法的不断发展，以深度学习为核心的人工智能技术在各个领域得到了深入研究与广泛的应用，通过人工智能技术对医学图像进行辅助分析可以降低医生的工作量，同时可以减少成像设备差异性、医生水平等因素对诊断结果的影响。

在过去的十几年中，研究人员提出了多种甲状腺结节分割定位算法，但由于在甲状腺超声图像上结节形态的复杂性，很难得到准确的分割定位结果，难以满足医疗辅助的实际要求。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于多级加权神经网络的甲状腺结节定位方法，其能对甲状腺超声图像上的结节实现快速准确的定位，同时准确的结节边缘轮廓有助于结节良恶性判断，避免过多的主观因素，使诊断结果更加可靠。

按照本发明提供的技术方案，一种基于多级加权神经网络的甲状腺结节定位方法，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。

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。

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模型参数进行优化，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。

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：