[发明专利]一种甲状腺的结节TI-RADS分级系统及方法

说明书

本发明提供了一种甲状腺的结节TI‑RADS分级系统及方法。包括：通过应用图像形态学方法对第一图像数据集降噪；对第一图像数据集进行数据增强形成第二图像数据集；训练深度学习网络组形成对应的第一模型组；将训练好的所述第一模型组通过领域适配方法提升识别效果；通过参数搜索对所述第一模型组融合得到第二模型；该甲状腺的结节TI‑RADS分级系统改善了现有技术中甲状腺结节五种因素自动分类效果不佳的问题。

技术领域

本发明涉及计算机人工智能深度学习技术领域，尤其是涉及一种甲状腺的结节TI-RADS分级系统及方法。

背景技术

甲状腺结节在超声诊断中十分常见，并且多为良性，并不需要干预治疗，但是少部分良性结节可能会慢慢变成恶性，最终演变为肿瘤或间接导致癌症，因此有必要通过一些辅助诊断方法进行结节检测和尽可能地正确分类。在甲状腺结节检测初期，由于甲状腺结节的超声图像非常复杂多样，因此甲状腺结节良恶性诊断方式也非常多样化，不同机构、专家根据自己的经验开发出各自的检测手段和判断标准，这直接复杂化甲状腺结节分级并在无形中提升了分级难度。

如今也有很多不同的特征算子如ORB、SURF、SIFT、HOG等，给定一幅甲状腺超声影像，使用何种算子提取何种特征需要一个非常有经验的专家来完成，并在迭代过程中不断通过现有结果进行优化，这是一件耗时耗力的事情——需要更多经验丰富的技术员和大量时间。

发明内容

本发明的目的在于提供一种甲状腺的结节TI-RADS分级系统及方法，该结节分级系统能够解决现有技术中甲状腺结节五种因素自动分类效果不佳的问题。

为了实现上述目的，本发明提供如下技术方案：

一种甲状腺的结节TI-RADS分级方法，所述方法具体包括：

S101，通过应用图像形态学方法对第一图像数据集降噪；

S102，对第一图像数据集进行数据增强形成第二图像数据集；

S103，训练深度学习网络组形成第一模型组；

S104，将训练好的所述第一模型组通过领域适配方法提升识别效果；

S105，通过参数搜索对所述第一模型组融合得到第二模型。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步地，通过应用图像形态学方法对第一图像数据集降噪具体包括：通过应用图像形态学方法对所述第一图像数据集中的第一甲状腺超声图像灰度化处理，得到二值化的第二甲状腺超声图像；将所述第二甲状腺超声图像进行图像开运算，对第二甲状腺超声图像先腐蚀再膨胀，用于去除第二甲状腺超声图像中的噪音。

进一步地，对第一图像数据集进行数据增强形成第二图像数据集具体包括：当第一图像数据集为小数据集时，在训练深度学习网络组之前对所述第一图像数据集中的第一甲状腺超声图像进行增强处理。

进一步地，对第一图像数据集进行数据增强形成第二图像数据集具体还包括：当第一图像数据集为大数据集时，在训练深度学习网络组时对所述第一图像数据集中的第一甲状腺超声图像进行增强处理。

进一步地，训练深度学习网络组形成第一模型组具体包括：通过ResNet网络结构、GoogLeNet网络结构、VGG16网络结构、AlexNet网络结构和DenseNet网络结构分别作为骨干网络对所述第二图像数据集中的第二甲状腺超声图像进行甲状腺结节特征提取。

一种计算机设备，包括：

处理器，其被配置为执行权利要求1至5任一所述的甲状腺的结节TI-RADS分级方法；

存储器，其用于存储所述处理器的可执行指令。