[发明专利]基于深度卷积神经网络的甲状腺超声影像处理方法

权利要求书

1.一种基于深度卷积神经网络的甲状腺超声影像处理方法，其特征在于，包括以下步骤：

步骤1、采集甲状腺超声影像并进行甲状腺结节标注，构建甲状腺超声影像数据集；

步骤2、计算甲状腺超声影像的注意力矩阵M，并将注意力矩阵M插入深度卷积神经网络的深层特征层中，得到基于注意力模块的深度卷积神经网络模型；

步骤3、使用甲状腺超声影像数据集对基于注意力模块的深度卷积神经网络模型进行训练，并通过基于注意力模块的深度卷积神经网络模型对甲状腺超声影像进行可视化处理。

2.根据权利要求1所述的基于深度卷积神经网络的甲状腺超声影像处理方法，其特征在于：所述步骤1的具体实现方法为：首先，收集一段时间内不同患者的实际甲状腺超声影像，并保持良性超声影像和恶性超声影像比例均衡；然后对甲状腺超声影像的甲状腺结节位置进行标注，得到标注结节后的甲状腺超声影像数据集。

3.根据权利要求2所述的基于深度卷积神经网络的甲状腺超声影像处理方法，其特征在于：所述对甲状腺超声影像的甲状腺结节位置进行标注是采用LabelImg工具完成的，并且以VOC2007数据集的格式对甲状腺超声图像与标注进行整理。

4.根据权利要求1所述的基于深度卷积神经网络的甲状腺超声影像处理方法，其特征在于：所述计算甲状腺超声影像的注意力矩阵M的方法为：

在平均池化处理后，利用权重传递特性矩阵WTFM和最后一层特征图LFM计算甲状腺超声影像的注意力矩阵M，该注意力矩阵M表示如下：

其中，权重传递特性矩阵WTFM是作用于类激活映射CAM中注意力模块的权重矩阵，η和κ分别代表最后一层特征图LFM和权重传递特性矩阵WTFM的大小,i和j代表着当前待计算像素点的横纵坐标,并且：

η＝inputsize/R，

其中c代表通道，inputsize代表输入图像的长宽、R表示类激活映射CAM的放大因子。

5.根据权利要求1所述的基于深度卷积神经网络的甲状腺超声影像处理方法，其特征在于：所述步骤3中对甲状腺超声影像进行可视化处理的方法为：将注意力矩阵M与原始图像I进行线性组合：

可视化图＝α×M+(1-α)×I

其中，α代表线性组合的权重，可以根据具体情况灵活调整。

6.根据权利要求1所述的基于深度卷积神经网络的甲状腺超声影像处理方法，其特征在于：所述步骤3可视化的甲状腺超声影像的有效区域逐渐缩小到结节内部，并专注于结节的细节，其定位出现在结节边界的不规则区域。