[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

说明书

本发明提供一种基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统，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；通过多尺度的特征融合的卷积神经网络提取不同感知区域的大小的特征，从而结合局部和全局的信息提取结节的上下文语义特征对甲状腺结节进行自动定位。本发明通过多尺度的由粗到精的神经网络的特征提取并通过设计金字塔结构的多尺度精分类AlexNet，能够准确的预测病灶的位置和良恶性发生的概率，可以辅助医生进行甲状腺病灶的诊断，提高诊断的客观性，具有实时性好，准确率高的特点。

技术领域

本发明涉及基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统，属于深度学习与辅助医疗领域。

背景技术

在20世纪40年代，超声成像技术就开始在临床应用，在1962年，开始对甲状腺进行诊断。甲状腺超声成像技术能够为医生提供关于甲状腺的组织情况，已经成为现代医生首选的技术诊断手段。

卷积神经网络技术自从上世纪八十年代起至今已经有了三十多年的研究历史，卷积神经网络最初应用于手写体的数字识别，在计算机视觉领域，人脸，物体等识别一直都是一个非常具有挑战性的研究热点。近几年来，随着互联网发展，大量数据集的获取不再是一个难题，12年，Alex利用卷积神经网络以超过第二名20％的优势获取了自然图像Imagenet比赛的冠军，此后卷积神经网络开始了新的时代，从物体识别，人脸识别，物体定位，语义分割等领域都以压倒性的优势刷新了排行榜。

甲状腺的超生图像的识别此前一直依赖于有经验的医生的观察分析诊断，不仅耗时耗力，而且由于我国的医生资源不均衡，很难做到整体水平的提升。借助于卷积神经网络对于自然图像识别的优势，把有优质医疗资源转化为算法，对新的图像进行病灶的定位和识别，应用到甲状腺超声的识别上。

此外，甲状腺超声的自动诊断对提高医生的工作效率有着重要的作用，具有广阔的应用前景和巨大的经济价值。然而，目前由于超生图像有着对比度低，边界不明显的特征，视觉差异小，对甲状腺的超声图像的研究还面临诸多挑战，因为这些现象背后蕴含着更为复杂的物理和视觉特征机制，要实现令人信服的仿真效果，需要多学科交叉理论和软硬件结合的高效算法设计作为支撑。

发明内容

本发明解决的技术问题是：克服了现有的甲状腺超声影像的诊断的不足，提供一种基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统，实现了甲状腺结节的自动定位和识别，可有效对甲状腺超声图像进行结节的定位和良恶性的判断。

本发明采用的技术方案为：基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统，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；