[发明专利]一种基于多尺度特征融合的甲状腺结节分类方法

说明书

本发明涉及一种基于多尺度特征融合的甲状腺结节分类方法，其特征在于：所述方法的步骤为：1)获取原始甲状腺超声影像数据集，并对每一张超声影像进行处理；2)清洗原始超声影像数据集，去除不符合要求的影像，得到一个含有2000张高质量甲状腺结节超声影像的数据集；3)基于残差网络的甲状腺结节超声影像分类网络构建；4)将残差模块替换为多尺度融合模块；5)在残差网络的基础上，添加一个高分辨率通道；6)对基于多尺度特征融合与高分辨率通道的网络模型的分类效果进行分析。本发明设计科学合理，设计了多尺度特征和高分辨率通道相结合机制，提升网络性能。

技术领域

本发明属于深度学习和医疗影像处理领域，涉及甲状腺结节超声影像数据集的数据清洗技术、卷积神经网络技术，尤其涉及一种基于多尺度特征融合的甲状腺结节分类方法。

背景技术

甲状腺结节是内分泌系统常见的疾病，18％的成年人身上携带甲状腺结节。尽管绝大多数的甲状腺结节都是良性的，但10％的病人长有恶性甲状腺结节，主要是甲状腺癌。近年来，甲状腺癌发病率快速上涨，目前位居全国癌症发病率的第七位。超声诊断是检查甲状腺结节良恶性的常见手段。但是，由于医生一般依赖于主观判断，缺乏客观标准，容易出现错误。

深度学习，特别是卷积神经网络，在医疗影像上取得的突破证明了它在解决实际影像学问题上的有效性。一方面，卷积神经网络可以通过多层网络能够从医学影像提取特征，并利用这些特征在相关医学问题上得到远超其他方法的准确率；另一方面，基于医疗影像的深度学习方法可以高效地辅助影像科医生，大幅减轻医生的工作负担。

前人的工作大多是利用卷积神经网络进行特征提取或者是在ImageNet上对进行微调。以上这些方法忽视了端到端训练的重要性，且没有针对甲状腺结节超声影像的特点设计网络结构。另外，受于数据保密的问题，大部分研究人员的超声影像是非公开的，急需要公开的大型甲状腺结节超声影像数据集共研究人员使用。

通过对公开专利文献的检索，并未发现与本专利申请相似的公开专利文献。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多尺度特征融合的甲状腺结节分类方法，该方法设计了多尺度特征和高分辨率通道相结合机制，提升网络性能。

本发明解决其技术问题是通过以下技术方案实现的：

一种基于多尺度特征融合的甲状腺结节分类方法，其特征在于：所述方法的步骤为：

1)获取原始甲状腺超声影像数据集，并对每一张超声影像进行处理；

2)清洗原始超声影像数据集，去除不符合要求的影像，得到一个含有2000张高质量甲状腺结节超声影像的数据集；

3)基于残差网络的甲状腺结节超声影像分类网络构建；

4)将残差模块替换为多尺度融合模块；

5)在残差网络的基础上，添加一个高分辨率通道；

6)对基于多尺度特征融合与高分辨率通道的网络模型的分类效果进行分析。

而且，所述步骤1)中原始超声影像中的四周边界区域中包含隐私信息，裁剪掉边界区域。

而且，所述步骤1)中原始超声影像中的四周边界区域中包含隐私信息，裁剪掉边界区所述步骤2)中原始超声影像数据集中存在彩色多普勒血流影像，需要使用彩色算子将彩色多普勒血流影像筛选出来并将数据集划分为训练集和测试集。

而且，所述步骤1)中原始超声影像中的四周边界区域中包含隐私信息，裁剪掉边界区所述步骤3)使用步骤2)的数据集，端到端的训练基于残差网络的网络模型。