[发明专利]基于卷积神经网络的甲状腺超声图像的特征提取方法

说明书

本发明涉及一种基于卷积神经网络的甲状腺超声图像的特征提取方法，其技术特点是：对甲状腺超声图像进行预处理：在甲状腺超声图像中加注标签，并将加注标签的图像进行数据增强，得到预处理后的甲状腺超声图像；构建卷积神经网络模型，使用卷积神经网络模型对甲状腺图像进行特征提取并输出分类结果。本发明对甲状腺超声图像加注分类标签并进行数据增强等预处理，通过卷积神经网络模型对预处理后的甲状腺超声图像进行特征提取并输出分类结果，能够更好地预测甲状腺结节的等级，有效解决深度学习中预测结果缺乏可解释性的问题，也提高了深度模型的泛化性，在实际应用中具有非常巨大的价值和广阔的前景。

技术领域

本发明属于图像识别技术领域，尤其是一种基于卷积神经网络的甲状腺超声图像的特征提取方法。

背景技术

近年来，随着计算能力的不断提高和数据量的不断增加，深度学习技术作为机器学习方法的进一步延伸，在计算机辅助技术领域取得了显著进展。由于深度学习中常用到的卷积神经网络(Convolutional Neural Network，CNN)能够捕捉输入输出之间的非线性映射，并通过多层网络结构自动学习局部特征和高层抽象特征，优于人工提取和预测特征集，因此，利用基于深度学习的计算机辅助技术可以对医学图像进行分析并提取特征数据，为医疗教学、临床分析、手术规划及各种医学研究提供了辅助作用。

计算机辅助技术常常被应用于甲状腺超声图像分析中。研究人员通过机器学习或深度学习方法来对甲状腺超声图像中的特征数据进行提取，将甲状腺超声图像中的典型特征提取出来为临床医生提供辅助手段。目前，分析甲状腺超声图像的常用方法有SVR、kNN、多层感知器网络(MLP)、深度卷积神经网络等。但是，上述方法并没有结合医学临床经验等多方面的因素，因此，提取出的特征数据精度较低，难以得到广泛的应用。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、精度高且实用性强的基于卷积神经网络的甲状腺超声图像的特征提取方法。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种基于卷积神经网络的甲状腺超声图像的特征提取方法，包括以下步骤：

步骤1、对甲状腺超声图像进行预处理：在甲状腺超声图像中加注标签，并将加注标签的图像进行数据增强，得到预处理后的甲状腺超声图像；

步骤2、构建卷积神经网络模型，使用卷积神经网络模型对甲状腺图像进行特征提取并输出分类结果。

进一步，所述步骤2后还包括：根据ACR TI-RADS分级标准，对步骤2输出的分类结果进行计算，得到甲状腺超声图像的ACR TI-RADS级别。

进一步，所述步骤1在甲状腺超声图像中加注标签的方法为：采用深度学习方法，将充满文字信息的图像边框加注标签，去除边框后剩下位于中间位置的甲状腺超声图像。

进一步，所述标签包括构成标签、回声标签、强回声标签、形态标签和边缘标签。

进一步，所述数据增强的方法包括：图像镜像、旋转、翻折以及归一化处理。

进一步，所述步骤2在构建卷积神经网络模型时，在卷积神经网络模型加入如下五个分类器：构成分类器、回声分类器、强回声分类器、形态分类器和边缘分类器。

进一步，所述步骤2对甲状腺图像进行特征提取并输出分类结果的方法包括以下步骤：

步骤2.1、对甲状腺超声图像进行卷积处理，提取甲状腺超声图像特征；

步骤2.2、通过一个池化层处理，提取深度特征，缩小图像的大小；

步骤2.3、进行多层卷积和池化处理，进一步对输入甲状腺超声图像进行特征提取；

步骤2.4、通过一个全连接层，对提取的特征进行线性组合以得到输出；