[发明专利]一种基于深度学习的甲状腺结节钙化识别装置

权利要求书

1.一种基于深度学习的甲状腺结节钙化识别装置，其特征在于，包括：

超声图像获取模块：用于获取超声图像数据集，所述超声图像数据集中的每一张超声图像均带有甲状腺结节；

标注模块：用于对所述超声图像数据集中每一张超声图像的甲状腺结节边界、钙化区域和钙化类型进行标注；

感兴趣结节图像提取模块：用于对每一张超声图像中的甲状腺结节边界进行截取，得到感兴趣结节图像数据集；

卷积神经网络构建模块：用于构建卷积神经网络XDNet-11222；

卷积神经网络训练模块：用于通过所述感兴趣结节图像数据集对所述卷积神经网络XDNet-11222进行训练，并得到训练好的卷积神经网络XDNet-11222；

甲状腺结节钙化检测模块：用于通过训练好的卷积神经网络XDNet-11222来对输入的甲状腺结节超声图像进行钙化类型检测。

2.根据权利要求1所述的基于深度学习的甲状腺结节钙化识别装置，其特征在于，所述卷积神经网络构建模块中的卷积神经网络XDNet-11222包括输入层、输出层、若干失活跳接模块DA、最终模块F、若干第一特征提取组、若干第二特征提取组；

所述第一特征提取组包括依次连接的特征提取模块EX、下采样模块DS和压缩激发模块SE；

所述第二特征提取组包括依次连接的特征提取模块EX和压缩激发模块SE，并且每个所述第二特征提取组输出端均连接有失活跳接模块DA；

所述第一特征提取组和第二特征提取组依次连接构成第一子网络，并且在所述第一子网络中，第一特征提取组的输出端与失活跳接模块DA连接；

所述第一特征提取组依次连接两个第二特征提取组构成第二子网络，并且在所述第二子网络中，第一特征提取组的输出端与第一个第二特征提取组的失活跳接模块DA连接，第一个第二特征提取组的失活跳接模块DA的输出端与第二个第二特征提取组的失活跳接模块DA连接；

所述输入层依次连接有两个所述第一子网络、三个所述第二子网络、所述最终模块F和所述输出层。

3.根据权利要求2所述的基于深度学习的甲状腺结节钙化识别装置，其特征在于，所述特征提取模块EX包括依次连接的卷积层、批归一化层和ReLU激活层。

4.根据权利要求2所述的基于深度学习的甲状腺结节钙化识别装置，其特征在于，所述下采样模块DS包括依次连接的零填充层、卷积层、批归一化层和ReLU激活层。

5.根据权利要求2所述的基于深度学习的甲状腺结节钙化识别装置，其特征在于，所述压缩激发模块SE包括依次连接的全局均值池化层、重塑层、两个卷积层和相乘层，所述全局均值池化层的输入端与相乘层连接。

6.根据权利要求2所述的基于深度学习的甲状腺结节钙化识别装置，其特征在于，所述失活跳接模块DA包括依次连接的卷积层、批归一化层、失活层和相加层，所述卷积层的输入端与相加层连接。

7.根据权利要求2所述的基于深度学习的甲状腺结节钙化识别装置，其特征在于，所述最终模块F包括依次连接的卷积层、批归一化层、全局均值池化层、失活层、全连接层和Sigmoid激活层。

8.根据权利要求3-7任一所述的基于深度学习的甲状腺结节钙化识别装置，其特征在于，所述卷积层的公式为：h(m,n)＝(f*g)(m,n)＝∑_x,yf(x,y)g(m-x,n-y)，其中，h()表示输出特征图函数，f()表示输入特征图函数，g()表示卷积核函数，*表示卷积运算符，(m,n)表示输出像素值对应的坐标，(x,y)表示输入像素值对应的坐标。

9.根据权利要求1所述的基于深度学习的甲状腺结节钙化识别装置，其特征在于，还包括：

钙化初步定位模块：若输入图像的甲状腺结节存在钙化，则通过权梯度类激活映射实现对钙化进行初步定位；

钙化精确定位模块：用于通过均值池化、阈值比较、开闭运算或膨胀腐蚀图像处理算法来对初步定位好的钙化进行精确定位。