[发明专利]卷积神经网络训练方法、超声图像识别定位方法及系统

说明书

一种卷积神经网络训练方法、超声图像识别定位方法及系统，该训练方法包括：建立卷积神经网络模型；以ImageNet上训练好的卷积神经网络模型作为起点，以不同网络结/层读取训练数据集中的B超图像，然后用B超图像去进行微调，进行神经网络模型迁移学习；其中，所述训练数据集中的图像来自单中心、多台机器的B超检查图像，并以病理检查结果进行标记；通过回归完成物体位置和类别判定。本发明提供了一种利用迁移学习及深度卷积神经网络实现超声图像，例如甲状腺结节的超声图像的人工智能识别定位系统，大大提高模型的准确率，实现了辅助评估甲状腺结节的良恶性及其定位系统的成型。

技术领域

本发明涉及图像分析技术领域，具体地涉及一种卷积神经网络训练方法、超声图像识别定位方法及系统。

背景技术

我国2003-2011年间统计数据显示，甲状腺癌发病和死亡分别以每年20.1％和1.6％的速度上升，全国各肿瘤登记点的甲状腺癌发病率均呈现上升趋势。在世界范围，甲状腺癌发病率在过去几十年里持续上升，尤其在女性中，呈现爆发性的增长。甲状腺结节现已成为常见的临床问题，超声是甲状腺癌鉴别诊断的最常用手段，具备无创、简便、经济的特点，得到广泛应用，唯一的缺点是对检查者要求比较高，需要经验丰富的高年资医师才能做出准确评估超声评估甲状腺良恶性风险，决定了患有甲状腺结节的人群是否需要进一步行细针穿刺活组织检查或手术治疗，而经验丰富的高年资医师培养需要周期长，各地区医疗资源分配不均衡。此外，诊断医师的临床工作繁重，重复性检查工作，检查效率低下，容易疲劳，容易犯人工性错误，不同医师认知等导致检查结果存在差异。

美国、韩国及欧洲均对超声评估结节的风险做了指南建议，主要基于结节的边界、回声、实性、钙化及血流信号等特征。这些都为了在临床实践中服务于医生，以提高在诊断中的可重复性及简化描述结果。计算机技术的进步及计算速度的提高使得人工智能得以飞跃发展。人工智能学习系统，为进一步提高效率，简化工作流程提供了可能。如果将人工智能技术应用于超声图像的识别定位，开发出例如适用于甲状腺癌的超声图像人工智能识别定位系统和方法，对提高医生工作效率，不同医师诊断获得重复性结果，均衡医疗资源，改善患者就诊体验等方面具有重要作用，具有广阔的应用前景和经济价值。

发明内容

有鉴于此，本发明的主要目的在于提供一种超声图像识别定位的方法和系统，以期至少部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一个方面，提供了一种用于超声图像识别定位的卷积神经网络的训练方法，其特征在于，包括以下步骤：

步骤A，建立卷积神经网络模型；

步骤B，以ImageNet上训练好的卷积神经网络模型作为起点，以不同网络结/层读取训练数据集中的B超图像，然后用B超图像去进行微调，进行神经网络模型迁移学习；其中，所述训练数据集中的图像来自单中心、多台机器的B超检查图像，并以病理检查结果进行标记；

步骤C，通过回归完成物体位置和类别判定。

作为本发明的另一个方面，还提供了一种超声图像识别定位的方法，其特征在于，包括以下步骤：

基于如上所述的训练方法预先训练得到的卷积神经网络模型对待识别的超声图像进行识别。

作为本发明的再一个方面，还提供了一种超声图像识别定位系统，其特征在于，包括：

存储器，用于存储用于执行如上所述的超声图像识别定位方法的程序；

处理器，用于执行存储器中存储的程序。

基于上述技术方案可知，本发明的超声图像识别定位的方法和系统具有如下有益效果：

(1)提供了一种利用迁移学习及深度卷积神经网络实现超声图像，例如甲状腺结节的超声图像的人工智能识别定位系统，通过迁移学习，大大提高模型的准确率，利用多结构卷积神经网络模型，实现了辅助评估甲状腺结节的良恶性及其定位系统的成型；