[发明专利]一种基于全卷积密集空洞网络的甲状腺结节实时分割方法

说明书

本发明公开一种基于全卷积密集空洞网络的甲状腺结节实时分割方法，包括以下步骤：步骤一，获取甲状腺数据并进行预处理；步骤二，将所得到的数据进行标注，作为训练全卷积密集空洞网络模型的数据集；步骤三，基于密集连接构造全卷积密集空洞网络模型，并进行参数训练；步骤四，将卷积层中的卷积核替换为空洞卷积并使用卷积核分解进行分解；步骤五，对卷积层的输入进行数据标准化和非线性激活处理；步骤六，对全卷积密集空洞网络模型的分割效果及效率进行分析及对比。

技术领域

本发明属于深度学习和图像处理领域，涉及卷积神经网络和图像语义分割技术，尤其是一种基于全卷积密集空洞网络的甲状腺结节实时分割方法。

背景技术

甲状腺结节在内分泌系统中是最常见的异常，其潜在的恶性让它们在临床上非常重要。超声检查是诊断甲状腺结节的首选成像方法。在临床实践中，放射科医生根据超声图像中结节横纵比、是否存在钙化、结构(弥散、单发或多发)、边界、回声特点(高回声、等回声和低回声)等肉眼可见的评估标准对甲状腺良恶性进行诊断，但由于认知能力、主观经验、疲劳程度等影响，医生对一张甲状腺超声图像可能会出现不同的诊断结果。此外，超声图像中的低对比度和散斑噪声也会对医生的诊断造成影响。

近年来，基于深度学习的计算机辅助诊断已逐渐受到研究人员重视，针对甲状腺超声图像辅助诊断的研究也取得了长足的发展。现有的深度学习方[1][2]达到了很高的精度，然而，由它们训练得到的模型有着大量的权值参数，需要大量的计算资源，而医疗设备的存储空间和处理器性能有限，这就一定程度上限制了深度学习方法的实际应用。另一方面，计算机辅助诊断的目的是为了缩短诊断时间，提高诊断效率以及准确率，这就要求深度模型不但要有高精度也要具备高实时性。

近年来，设计更深的神经网络在图像分类，语义分割和目标检测等任务上比许多传统计算机视觉算法取得了更高的精度，然而这也需要大量的计算资源和较长的推理时间，这使深度模型无法在一些资源受限的平台上运行。为了解决高精度和计算资源之间的平衡问题，现有的方法多数集中在网络剪枝[3]，low-bit quantization[4]和设计高效的网络架构。然而无论是网络剪枝还是low-bit quantization，都是在已经训练好的模型上进行处理，模型的精度将不可避免的受到影响。相对而言，设计高效的网络架构能够在减少模型所需计算资源的同时，不损失精度。现有的深度网络拥有非常多的参数，然而有些参数在网络运行时作用非常小，甚至没有作用，文献[5]中设计的网络与之前的网络相比，性能提升了然而参数数量没变，所以减少网络的参数，提升剩余参数的作用对平衡网络的精度和运算资源是非常有用的。

发明内容

本发明的目的是为了解决现有语义分割模型参数过多，无法高效在计算资源有限的计算机辅助诊断设备上运行的问题，本发明通过设计新的网络模型，通过采用密集连接、空洞卷积及卷积核分解的方法，保持了高精度且极大地减少了模型的参数。

本发明的目的是通过以下技术方案实现的：

一种基于全卷积密集空洞网络的甲状腺结节实时分割方法，包括以下步骤：

步骤一：获取甲状腺数据并进行预处理；

步骤二：将所得到的数据进行标注，作为训练全卷积密集空洞网络模型的数据集；

步骤三：基于密集连接构造全卷积密集网络模型，并进行参数训练；

步骤四：将卷积层中的卷积核替换为空洞卷积并使用卷积核分解进行分解；

步骤五：对卷积层的输入进行数据标准化和非线性激活处理；

步骤六：对全卷积密集空洞网络模型的分割效果及效率进行精度指标与效率分析及对比。

进一步的，步骤二中对获取的甲状腺超声图像进行结节边缘的标记，并对甲状腺超声图像的大小做归一化处理；形成的数据集包括训练集和测试集。