[发明专利]超声甲状腺结节样例丰富及良恶性自动辅助识别系统

权利要求书

1.超声甲状腺结节样例丰富及良恶性自动辅助识别系统，其特征在于：包括如下步骤：

步骤一：收集甲状腺结节患者的超声原始图像及其对应的病理报告，并对超声图像甲状腺结节区域进行标注，构建超声甲状腺结节数据库；

步骤二：基于UNet网络结构实现对步骤一中超声甲状腺结节图像的自动分割，得到超声图像ROI区域。

步骤三：基于条件变分自编码机来生成超声图像，拟合步骤二甲状腺结节分割后图像的条件概率分布，丰富步骤四分类网络训练所需的良性超声图像样本数据。

步骤四：基于SE-ResNet50网络结构对甲状腺结节进行特征提取，结合超声诊断甲状腺结节内外部回声、纵横比、边界边缘等临床特征对步骤二的输出图像进行处理，将处理后的图像作为训练甲状腺结节分类网络的输入图像，并对三分支多特征卷积神经网络进行验证及测试，实现对甲状腺结节的良恶性自动分类。

2.根据权利要求1所述的一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统，其特征在于：所述步骤三包括如下步骤：

步骤3.1：将步骤二得到的超声甲状腺结节图像x输入到CVAE编码器中，编码器将输入x编码为隐变量z。编码器包括四个卷积层，通道数成倍递增。

步骤3.2：将步骤3.1中超声甲状腺结节图像对应数据标签y输入到CVAE标签编码器中，编码器将y变成具有与z匹配维数的向量标签编码器为一个全连接层，神经元个数和隐变量维度相同。

步骤3.3：利用解码器对步骤3.1和步骤3.2获得的隐变量z与标签重构输入超声甲状腺结节图像解码器包含四个反卷积层，通道数与编码器对称。

训练CVAE模型，通过梯度下降算法拟合损失函数(公式1)

步骤3.4对训练完成的隐变量z进行重采样，生成新的超声甲状腺结节样本。完成对步骤二中超声甲状腺结节数据库中数量较少类别样本的丰富，即对良性样本进行丰富解决超声甲状腺结节数据中存在的类别不平衡问题。

3.根据权利要求1所述的一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统，其特征在于：步骤四包括如下步骤：

步骤4.1：获得三分支多特征卷积神经网络MVCNN进行良恶性分类的第二分支的输入图像。为增强网络对超声图像特征纵横比的学习，在保持长宽比不变下，将步骤二UNet分割结果得到结节ROI大小调整为224*224，将其作为MVCNN第二分支的输入图像。

步骤4.2：获得三分支多特征卷积神经网络MVCNN进行良恶性分类的第一分支的输入图像。考虑到良恶性结节内部和周围甲状腺实质的超声差异，将步骤4.1得到的结节ROI按1.5倍大小裁剪，将其作为MVCNN第一分支的输入图像。

步骤4.3：获得三分支多特征卷积神经网络MVCNN进行良恶性分类的第三分支的输入图像。考虑到良恶性结节边界和边缘的差异，为增强网络对于边缘的学习，将步骤4.1得到的结节轮廓线扩张得到带状区域，将其作为MVCNN第三分支的输入图像。

步骤4.4：分别利用步骤4.1、步骤4.2及步骤4.3获得的输入图像对超声甲状腺结节分类网络进行训练及测试，网络结构均采用SE-ResNet50。

步骤4.5：根据步骤4.4中三个分支网络对甲状腺结节的分类准确率，为三分支多特征卷积神经网络结构中每个分支的特征赋予权重。其中，准确率越高的分支，特征权重越大，权重和为1。

步骤4.6：将步骤4.5中三个分支网络的特征通过全连接层连接和融合，完成构建三分支多特征卷积神经网络结构MVCNN。

步骤4.7：基于步骤4.6构建的三分支多特征卷积神经网络MVCNN，结合步骤4.1、步骤4.2及步骤4.3获得的输入图像对超声甲状腺结节良恶性分类网络进行训练及测试，网络结构均采用SE-ResNet50，结节分类输出结果为0(良性)或1(恶性)，实现甲状腺结节良恶性识别。