[发明专利]甲状腺结节识别与分割方法、系统、存储介质及设备

说明书

本发明公开了一种甲状腺结节识别与分割方法，包括：获取预处理样本，并输入至骨架网络进行样本特征提取；将提取到的特征样本分别输入至第一分支及第二分支进行训练；分别计算训练后的第一分支的分类损失及第二分支的分割损失；通过分类损失及分割损失的线性加权得到总损失训练模型；其中，总损失训练模型能够对输入图像的甲状腺结节的良恶性类别和病变区域进行判断。本发明能够减轻对医生等人力资源的依赖，降低人为错误的可能性，实现智能化检测。同时充分考虑了甲状腺结节的影像学特点，以缓解深度学习模型由于影像类别和病理类别不一致带来的干扰问题，从而让分类器更好的学习到合适的影像学特征，实现在分类器上对病变区域的精确分割。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种甲状腺结节识别与分割方法、系统、存储介质及设备。

背景技术

甲状腺结节是一种非常常见的临床疾病，在人口中的发病率约为19％至68％，其中有大约5％至15％为恶性。超声影像由于其成本低、对人体无损伤特点，是甲状腺结节检查的首选方案。目前，状腺结节的识别与分割主要分为人工识别分割和计算机辅助识别分割两种方法。

然而，由于超声图像的低对比度、包含噪声等特点，使得对于结节的识别对影像学医生的技术和经验有很高的要求，容易导致一定程度的漏检与误检情况。且现有的自动识别与分割技术尽管经过不断发展，分类的效果越来越好，但其忽视了影像学标准和病理学分级标准的不一致性：即有的图像从影像学标准应定义为恶性，但是甲状腺临床诊断的金标准—病理的结果是良性，因此容易会出现的状况。

发明内容

本发明实施例所要解决的技术问题在于，提供一种甲状腺结节识别与分割方法、系统、存储介质及设备，充分考虑了甲状腺结节的影像学特点，以缓解由于影像类别和病理类别不一致带来的干扰问题，从而让分类器更好的学习到合适的影像学特征，实现在分类器上对病变区域的精确分割。

为了解决上述技术问题，本发明实施例提供了一种甲状腺结节识别与分割方法，所述方法包括：

获取预处理样本，并输入至骨架网络进行样本特征提取；

将提取到的特征样本分别输入至第一分支及第二分支进行训练；

分别计算训练后的所述第一分支的分类损失及所述第二分支的分割损失；

通过所述分类损失及所述分割损失的线性加权得到总损失训练模型。

进一步地，将提取到的特征样本输入至第二分支进行训练的方法包括：

通过自适应阈值筛选出所述特征样本中的困难样本；

根据所述困难样本的数据分布选择对应的调度函数；其中，所述调度函数包括线性调度、凸函数调度、凹函数调度及混合凸函数凹函数调度；

通过所述自适应阈值及所述调度函数得到困难样本筛选阈值；

将通过所述困难样本筛选阈值筛选出的样本输入所述第二分支进行训。

进一步地，所述自适应阈值的模型为：

其中，N为样本总数，i为训练样本的索引，j为样本标签的索引，y’为样本的预测结果，y为样本的标签。

进一步地，通过所述第二分支对所述困难样本筛选阈值筛选出的样本进行训练的模型为：

T_h＝T_ada*S_f(h)