[发明专利]一种用于超声影像中甲状腺微小结节的检测方法

权利要求书

1.一种用于超声影像中甲状腺微小结节的检测方法，其特征在于：所述方法的步骤为：

1)在甲状腺超声影像数据集中进行筛选，选出图像清晰、甲状腺微小结节形态完整的图像作为实验所用数据集；

2)对数据集中的图像进行预处理，去除超声影像中显示病人信息的边框；

3)在ResNet50的基础上构建特征金字塔网络作为RetinaNet的骨干网络，使用两个小型全卷积网络FCN作为附加子网络，分别为负责检测样本类别的分类和进行边框的回归，进而组成RetinaNet目标检测网络模型；

4)改进损失函数，优化网络模型，提高进行目标检测的精度；

5)通过实验评估和对比评估对数据集上的检测效果。

2.根据权利要求1所述的用于超声影像中甲状腺微小结节的检测方法，其特征在于：所述步骤1)中对甲状腺超声影像数据集筛选的操作为：

a、数据集包含10000余张甲状腺超声影像，数据集中包含各种类型的结节数据，在这些超声影像中初步筛选出635张微小结节的图像；

b、再结合影像分辨率、图像噪声等因素删除不符合要求的数据集，筛选得到228张图像清晰、甲状腺微小结节形态完整的图像作为实验所用数据集。

3.根据权利要求1所述的用于超声影像中甲状腺微小结节的检测方法，其特征在于：所述步骤2)中去除超声影像中显示病人信息的边框的具体操作为：

a、将超声影像的尺寸重新设置为固定227*227像素大小，采用区域提议网络RPN和Ale*Net构建一个简单的卷积神经网络；

b、构建好网络后随机初始化模型参数，并且将卷积神经网络中的偏差参数设置为0，采用随机梯度下降方法训练网络；

c、在每张图上得到唯一的感兴趣区域边框，后续根据输出的边框对图像进行裁剪，得到预处理之后的图像。

4.根据权利要求1所述的用于超声影像中甲状腺微小结节的检测方法，其特征在于：所述步骤3)的具体操作步骤为：使用ResNet50有效的特征提取网络计算整个输入图像上的卷积特征图；将较高级别但定位不准确的语义信息和较低级别但定位准确的语义信息相融合，得到具有较准确定位和较丰富语义信息的特征图；特征金字塔网络利用上述网络输出的不同尺度特征图作为基础，在特征金字塔构建过程中，输入任意的单尺度图像作为素材，再利用全卷积的方式得到合适的多尺度特征图作为输出；在特征金字塔的每个层级中对锚框进行处理的是两个附加子网络，两个子网络均为小型全卷积网络FCN，分别为负责检测样本类别的分类子网络和负责进边框回归的回归子网络。

5.根据权利要求1所述的用于超声影像中甲状腺微小结节的检测方法，其特征在于：所述步骤4)改进损失函数、优化模型的具体操作为：采用焦点损失的α平衡变体，降低简单样本的影响，集中训练困难样本，进而优化模型，解决训练过程中前景和背景类别不平衡问题，提高目标检测的精度。

6.根据权利要求1所述的用于超声影像中甲状腺微小结节的检测方法，其特征在于：所述步骤5)的具体步骤为：每种网络均采用预训练的骨干网络，并且通过在甲状腺微小结节超声影像数据集中进行训练来微调网络，利用训练好的网络在验证集中进行目标检测，输出实验结果并进行评价。