[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

说明书

本发明涉及一种用于超声影像中甲状腺微小结节的检测方法，ResNet网络可以在保证目标检测架构获得更强的特征的前提下，保证模型能有效地收敛，从而降低泛化误差，提升模型目标检测的准确性，特征金字塔在避免了拥有大量额外运算成本的同时，能有效地检测多尺度目标，也显著提升了目标检测算法的性能。损失函数的改进也解决了类别极度不平衡问题，同时为检测精度的提高做出一定贡献。

技术领域

本发明属于计算机视觉和图像处理领域，涉及图像识别和目标定位技术，特别涉及一种用于超声影像中甲状腺微小结节的检测方法。

背景技术

目标检测架构中的骨干网络在检测过程中起着相当重要的作用。在ImageNet分类任务中，骨干网络的分类性能和基于这些骨干网络的目标检测算法的性能成正相关。随着网络规模的增加，骨干网络的推理和训练变得更慢，并且需要更多数据用来训练。

目标检测算法根据是否提出区域建议主要有两条分支：two-stage检测算法和one-stage检测算法。Two-stage目标检测算法将目标检测分为区域建议和目标分类两个阶段，需要先生成候选区域(RegionsofInterest，ROI)，然后再对候选区域提取特征进行对象的分类；one-stage目标检测算法，此算法可以通过直接在网络中提取特征来预测对象的分类和位置，虽然造成了一定准确率的损失但是显著提高了检测速度。

骨干网络适应目标检测的多尺度性质的策略包括多尺度检测和层的融合。多尺度检测即对不同尺度的物体进行检测，而且具有更精细分辨率的下层网络比更粗糙的顶层网络能更好地检测小对象；层的融合是指融合骨干网络的不同特征层，而且它将来自不同特征图的信息与不同的感知域集成在一起，可以借助对象的上下文信息来消除一些对象实例的歧义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种用于超声影像中甲状腺微小结节的检测方法，能在小数据集中进行有效训练，且检测精度高。

本发明解决其技术问题是通过以下技术方案实现的：

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。

而且，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。

而且，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；