[发明专利]基于多尺度卷积神经网络甲状腺超声图像结节诊断系统

权利要求书

1.基于多尺度卷积神经网络甲状腺超声图像结节诊断系统，其特征在于：包括甲状腺结节由粗到精的结节分类模块、甲状腺结节区域自动检测模块和甲状腺结节精分类模块；其中：

甲状腺结节由粗到精的结节分类模块：包括由粗到精的甲状腺超声图像结节的自动定位和分类法，所述自动定位和分类法包括两个阶段，第一个阶段为粗分类阶段，经过数据预处理过程，利用基于深度神经网络VGG的检测算法，首先提取通过由多尺度卷积神经网络所描述的语义特征，对可能的甲状腺结节进行定位和初步的粗分类，并给出候选框；第二阶段为根据候选框中的超声图像块，利用进一步提升的Alex网络在ImageNet数据集上训练自然图像的分类模型的参数模型在甲状腺结节的图像数据集上进行训练和迁移学习；训练之后通过模型参数提取特征向量，通过softmax函数得到每一类的概率值，以给出最终的结节的位置和良恶性的判断结果；

甲状腺结节区域自动检测模块：包括训练和测试阶段，在训练阶段，通过基础网络和新增加的多尺度全卷积网络提取多尺度卷积特征，在检测过程中利用多个尺度的卷积核提取输入图像的多个尺度的特征和上下文语义信息，从而得到特征响应图，包括了结节预测框的坐标信息，同时进行分类训练，以预测位置和初步预测良恶性；同时，设计基于网格的候选区域选择机制，对图像块进行特征提取；图像块提取之后分别通过两个目标函数进行约束分别是分类的softmax函数，针对结节的位置，利用回归的L2范数进行约束，同时得到结节位置信息，保存训练好的网络参数；在测试阶段，首先对用户上传的图像进行预处理，然后输入到训练好的参数模型中；

甲状腺结节精分类模块：根据自动检测模块得到的候选框的位置，对原始的超声图像进行截取相应位置的图像块，即把图像整体随机截取具有固定大小的子图，并把图像块输入到精分类神经网络中，精分类神经分类网络利用卷积操作提取多层特征的性质，参考甲状腺超声图像结节大小不固定的特征，在精分类神经网络的结构中引入金字塔空间结构，同时提取多尺度金字塔空间结构卷积特征，在多尺度金字塔空间结构卷积特征的基础上通过softmax函数估计良恶性的概率，给出属于良恶性结节的精分类结果；

甲状腺结节区域自动检测模块首先进行结节区域自动检测，然后通过甲状腺结节由粗到精的结节分类模块进行结节的自动定位和粗分类，最后甲状腺结节精分类模块对粗分类结果进行精确分类。

2.根据权利要求1所述的基于多尺度卷积神经网络甲状腺超声图像结节诊断系统，其特征在于：所述甲状腺结节由粗到精的结节分类模块的具体实现过程如下：

（1）由数据预处理方法对原始采集的甲状腺超声图像进行数据预处理和数据增强，预处理包括对数据进行大小重置，数据增强对超声图像镜像映射，随机分块，把整体图像分割为不同的图像区域，来增加训练数据的量；

（2）经过由粗到精两个阶段，在粗分类阶段，用于检测结节的由多尺度卷积神经VGG网络基础上的端到端自动检测网络模型所描述的语义特征，同时通过检测甲状腺结节区域的同时判断其良恶性，得到甲状腺结节的候选框和粗分类的结果对可能的甲状腺结节进行定位和初步的粗分类；

（3）在精分类阶段，对原始的标注数据进行数据预处理和数据增强之后，根据候选框中的超声图像块，通过重新设计的AlexNet神经网络对候选框中的图形进行进一步分类得到确定的良恶性判断结果，利用进一步提升的Alex网络，提出了针对甲状腺的超声结节的多尺度的金字塔空间结构卷积神经网络，并在ImageNet数据集上训练自然图像的分类模型的参数模型在甲状腺结节的图像数据集上进行训练；训练之后通过模型参数提取特征向量，通过softmax函数得到每一类的概率值，以给出最终的结节的位置和良恶性的判断结果。