[发明专利]一种基于深度学习的甲状腺结节钙化识别装置

说明书

本发明涉及一种基于深度学习的甲状腺结节钙化识别装置，包括：超声图像获取模块：用于获取超声图像数据集；标注模块：用于对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：用于通过感兴趣结节图像数据集对卷积神经网络XDNet‑11222进行训练；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来对输入图像进行钙化类型检测。本发明能够对输入的甲状腺结节超声图像的钙化种类进行有效识别。

技术领域

本发明涉及辅助医学诊断技术领域，特别是涉及一种基于深度学习的甲状腺结节钙化识别装置。

背景技术

甲状腺结节是指在甲状腺内的肿块，是临床常见的病症，可由多种病因引起。临床上有多种甲状腺疾病，如甲状腺退行性变、炎症、自身免疫以及新生物等都可以表现为结节。甲状腺结节可以单发，也可以多发，多发结节比单发结节的发病率高，但单发结节甲状腺癌的发生率较高。

作为判断结节良恶性、乃至癌症诊断的依据，钙化是甲状腺结节的重要特征之一。现有的超声波诊断方式都是采用超声波对患者的甲状腺进行超声波扫描形成甲状腺超声图片，然后医生对甲状腺超声图片进行人工识别判断，其存在的缺点是：诊断效率慢；医生工作量大，且对医生的经验水平要求较高，因此，能胜任的医生数量就有限，导致医生资源紧张，且费用成本较高。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的甲状腺结节钙化识别装置，能够对甲状腺结节超声图像中的钙化类型进行有效检测。

本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习的甲状腺结节钙化识别装置，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。

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。