[发明专利]一种基于SPECT影像的甲状腺结节性质分类方法

权利要求书

1.一种基于SPECT影像的甲状腺结节性质分类方法，其特征在于，包括以下步骤：

获取甲状腺的SPECT影像数据集，并将所述甲状腺的SPECT影像数据集输入分类模型进行训练，获得完成训练的分类模型，其中所述分类模型的网络结构包括分类卷积神经网络和孪生神经网络；

基于所述完成训练的分类模型，输入待测SPECT影像，获得分类结果；其中将所述甲状腺的SPECT影像数据集输入分类模型进行训练的过程中包括：

将甲状腺SPECT影像输入所述分类卷积神经网络进行训练，训练完成后获得分类特征图，将所述分类特征图输入所述孪生神经网络；

所述孪生神经网络基于所述分类特征图进行训练，训练完成后输出分类结果；

所述孪生神经网络基于输入的所述分类特征图，输出分类结果的过程中包括：

基于获取的所述分类特征图和N折交叉法，对所述孪生神经网络进行训练；

设置困难样本挖掘训练总循环数，采用困难样本挖掘法继续训练孪生神经网络，达到所述困难样本挖掘训练总循环数后，训练完成，得到完成训练的分类模型；

基于所述完成训练的分类模型，获得分类结果；

基于获取的所述分类特征图和N折交叉法，对所述孪生神经网络进行训练之前，还包括：

构造由正样本、锚和负样本组成的三元组，将所述三元组输入所述孪生神经网络进行训练；

其中所述正样本是和锚的类别相同的SPECT影像的分类特征图，所述负样本是和锚的类别不同的SPECT影像的分类特征图；

所述锚来自于困难样本，所述困难样本是指当前正在训练的分类模型无法正确分类的SPECT影像的分类特征图；

设置困难样本挖掘训练总循环数，采用困难样本挖掘法继续训练孪生神经网络的过程中还包括：

采用三元损失函数对模型进行优化；

设所述的三元组为{x_p，x_a，x_n}，其中x_p，x_a，x_n分别为正样本，锚和负样本，所述的三元损失函数计算如下：

L＝max{0，d₁-d₂+1}

其中，max表示取最大值，L为损失函数，f_θ()为分类特征图，为欧氏距离，d₁为锚到正样本的距离，d₂为锚到负样本的距离；

所述三元损失函数对输入的所述三元组进行处理，通过增加锚到负样本的距离和减少锚到正样本的距离，将类内距离最小化和类间距离最大化；

构造由正样本、锚和负样本组成的三元组的过程中包括：

锚从困难样本中随机选择确定；

从确定的所述锚的所有正样本中，选择到确定的所述锚的距离最大的样本作为所述锚的正样本；

从确定的所述锚的所有负样本中，选择到确定的所述锚的距离最小的样本作为所述锚的负样本。

2.根据权利要求1所述的方法，其特征在于，将甲状腺SPECT影像输入所述分类卷积神经网络进行训练，获得分类特征图的过程中包括：

设置分类卷积神经网络训练循环总次数，采用N折交叉法对分类卷积神经网络进行训练；

N折中的每一折对所有训练数据的训练次数达到所述分类卷积神经网络训练循环总次数时，完成训练，获得完成训练的分类卷积神经网络；

基于所述完成训练的分类卷积神经网络，获得所述分类特征图并输入所述孪生神经网络。

3.根据权利要求2所述的方法，其特征在于，设置卷积神经网络训练循环总次数，采用N折交叉方法对分类卷积神经网络进行训练之前，还包括：

通过ImageNet网络对所述分类卷积神经网络的权重进行预训练，将预训练完成的获得的结果作为所述分类卷积神经网络的初始神经网络权重。