[发明专利]一种基于生成式对抗网络的甲状腺结节识别方法

摘要

本发明公开了一种基于生成式对抗网络的甲状腺结节识别方法，包括如下步骤：筛选患有甲状腺疾病病人的数据，建立甲状腺结节数据库，对甲状腺结节和甲状腺实质进行圈画标注；语义分割：以U‑net作为生成网络的条件生成对抗网络模型，输入标注完成的图像实现语义分割；良恶性分类输入：经过多次卷积、激活、池化后，卷积神经网络使用全连接层对提取出的特征进行整合，实现图像良恶性判断；病灶输入卷积神经网后，卷积神经网自动分类病灶，输出病灶的良恶性判别结果；根据以上训练结果，给出病人病情的参考诊断报告。本发明提高医生对于甲状腺结节良恶性判别的准确度，减少超声对甲状腺筛查的时间，减轻医护人员的工作强度，增加患者满意度。

主权项

1. 一种基于生成式对抗网络的甲状腺结节识别方法，其特征在于，包括如下步骤：A．建立甲状腺结节数据库筛选甲状腺结节病人病理的数据，根据病理数据拷贝病人的超声图像数据，区分出病理报告指示的良恶性图像数据；利用标注工具对甲状腺结节和实质进行圈画标注，保存数据，以备后续处理；B．语义分割先以U‑net作为生成网络的条件生成对抗网络模型，利用所述对抗网络模型训练网络，将甲状腺原始图像、分割标注图像输入对抗网络模型，生成网络不断生成图像，再由判断网络分辨该图像是否为真实图像，最终生成网络生成能欺骗判断网络的图像完成训练；对于训练好的分割网络，输入步骤A中标注完成的图像实现语义分割，分割出病灶图像；C．良恶性分类输入通过卷积神经网络对被分割出来的病灶图像，卷积提取图像特征，然后使用激活函数Relu使网络非线性，提高网络的学习能力；经过两次上述操作后使用最大池化函数对矩阵进行降维、扩大视野，同时使网络具有一定的平移不变性、旋转不变性、缩放不变性；经过多次卷积、激活、池化后，卷积神经网络使用全连接层对提取出的特征进行整合，实现图像良恶性判断；病灶输入卷积神经网络后，卷积神经网络将自动分类病灶，输出病灶的良恶性；D．根据以上训练结果，关于病人病情的参考诊断报告。