[发明专利]一种基于深度学习的超声甲状腺结节良恶性预测方法

说明书

本发明具体涉及一种基于深度学习的超声甲状腺结节良恶性预测方法。包括以下步骤：S1：采集超声结节图像样本，对超声结节图像样本进行预处理；所述预处理包括图像样本质量改进、图像样本标注数据；S2：基于图像样本标注数据训练深度神经网络；S3：将训练完成的深度神经网络用于实时超声图像，得到分割完成的结节区域图像；S4：基于分割完成的结节区域图像通过结节判定的数据库，标注结节类型，作为结节预测模型的训练样本；S5：采用前馈神经网络，使用已标注的样本数据作为训练集网络，通过特征选择计算准确率和召回率，反复迭代进行学习训练，选取评估结果最好的网络模型进行输出；S6：基于训练完成的网络模型，预测甲状腺结节的类型。

技术领域

本发明涉及本发明涉及智慧医疗领域，具体涉及一种基于深度学习的超声甲状腺结节良恶性预测方法。

背景技术

在甲状腺结节的临床治疗过程中，甲状腺结节良恶性的鉴别是甲状腺结节诊治的基础目前，穿刺检查和病理检查是鉴别甲状腺结节良恶性的主要手段但是，穿刺检查和病理检查具有损伤性，对患者的正常甲状腺组织造成破坏。因此，如何有效地利用无损伤的超声检查结果来预测甲状腺结节良恶性，对于甲状腺结节诊治具有重要的意义。

为了帮助医生提高临床诊断的准确性，让患者避免不必要的检查过程，降低患者误诊率，近年来越来越多的学者试图通过机器学习专家系统等人工智能方法进行甲状腺结节良恶性鉴别，深度学习技术是机器学习领域中最新研究成果，通过构建具有很多隐藏层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性，因此，与传统的机器学习方法相比，利用深度学习来学习特征，更能够刻画数据丰富的内在信息，并展现出强大的从样本集中学习数据集本质特征的能力。

发明内容

为了解决上述问题，本发明的目的是针对现有技术中传统图像分割算法效果不理想、计算机辅助诊断准确度不高的问题,提供了一种基于深度学习的超声甲状腺结节良恶性预测方法。

为了实现以上目的，本发明采取的一种技术方案是：

一种基于深度学习的超声甲状腺结节良恶性预测方法，包括以下步骤：S1：采集超声结节图像样本，对超声结节图像样本进行预处理；所述预处理包括图像样本质量改进、图像样本标注数据；S2：基于图像样本标注数据训练深度神经网络；S3：将训练完成的深度神经网络用于实时超声图像，得到分割完成的结节区域图像；S4：基于分割完成的结节区域图像通过结节判定的数据库，标注结节类型，作为结节预测模型的训练样本；S5：采用前馈神经网络，使用已标注的样本数据作为训练集网络，通过特征选择计算准确率和召回率，反复迭代进行学习训练，选取评估结果最好的网络模型进行输出；S6：基于训练完成的网络模型，预测甲状腺结节的类型。

进一步地，所述S2中，深度神经网络采用U-Net网络。

进一步地，所述S5中，前馈神经网络采用卷积神经网络。

本发明的上述技术方案相比现有技术具有以下优点：

本发明提出了一种基于深度学习的超声甲状腺结节良恶性预测方法，重点突破基于深度学习的超声甲状腺结节的分割、基于卷积神经网络的超声甲状腺结节良恶性预测等关键技术，有效解决传统图像分割算法效果不理想、计算机辅助诊断准确度不高的问题，为构建高效的超声甲状腺结节计算机辅助诊断系统奠定技术基础。

附图说明

图1为本发明的流程方法示意图；

图2为本发明的结节的Ground Truth和U-Net分割结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图1，对本发明作进一步地详细描述。