[发明专利]一种基于NPU本地语义分割的甲状腺病变检测系统

说明书

本发明公开了一种基于NPU本地语义分割的甲状腺病变检测系统，包括高分辨率甲状腺病变图像采集模块、神经网络语义分割模块、NPU边缘设备图像处理模块、可视化模块；系统采集甲状腺病变图片作为数据集；使用深度学习框架构建甲状腺病变鉴定的语义分割网络；将原始甲状腺图片进行标注构建数据标签，将原始图片和标签送入神经网络进行训练；将训练好的模型转换后部署到NPU处理器中，编写NPU处理器硬件资源调用模块、图像采集模块、神经网络推理模块、图像后处理模块和可视化显示模块驱动程序；使用摄像头采集高分辨率静态图片存入本地；使用NPU硬件加速模块对摄像头采集甲状腺病变图片通过神经网络算法进行本地分割并显示检测结果。

技术领域

本发明涉及智能硬件及辅助医疗诊断领域，尤其是涉及一种基于NPU本地检测语义分割的甲状腺病变检测系统。

背景技术

随着科学技术不断地进步，工业、医疗、生活等都朝着智能化的方向发展，人工智能时代的到来给生活的方方面面带来了极大的便利，智慧医疗属于人工智能领域一个庞大的分支。甲状腺是人体最大的内分泌腺体，位于人体颈部正前方的位置，在喉结下方，形状似蝴蝶。其主要功能是合成甲状腺激素，调节机体代谢，在人体生长发育和新陈代谢方面扮演着重要的角色，其体积很小，一般情况下只有20-30g，而甲状腺结节是甲状腺细胞异常增生后出现的团块，临床上常把甲状腺结节和甲状腺肿瘤混用，发病时，结节可以是一个也可以是多个。根据甲状腺的严重程度可以分为良性和恶性两类，恶性甲状腺结节以分化为甲状腺癌居多，若癌肿远处转移，将会对患者的身体健康和日常生活造成严重的影响。

目前甲状腺结节病变的诊断方式是拍摄超声图像，通过医生的经验来诊断甲状腺的病变情况，但是这种方式存在诸多缺陷，例如超声图像依赖X射线计算机断层成像(CT)，图像清晰度不高，各个组织器官之间区别不明显；依赖医生的经验积累；医疗资源紧缺，就诊时间长等。AI智能辅助诊断系统对甲状腺结节具有较高的诊断价值，自动识别出甲状腺结节的大小、区域，可以不依赖于医生的资深经验，降低主观元素造成的影响，缩短纠正时间，提高就诊的准确率，具有广阔的临床应用前景。

语义分割一直是计算机视觉核心研究热点之一，其目的是为图像划分成具有语义信息的区域，并给每个区域块分配一个语义标签，最终得到每个像素都被语义标注的分割图像。语义分割是图像理解中的常用技术，它可以预测图像中每个像素的类别，实现对图像的分割归类，对图像进行细致的理解。语义分割是医学图像处理以及目标分类等视觉分析的基础，但同时，语义分割网络通常包含下采样和上采样结构，其中上采样使用转置卷积等步骤进行图像重构，参数量和计算量都相较于传统的卷积神经网络有较大的提升，考虑到人工智能算法的落地，就需要适配计算能力较高的边缘设备来部署深度学习算法，近年来，嵌入式神经网络处理器NPU的出现很好的解决了计算量大、获取结果延时高的问题，是人工智能算法落地和实施优秀的硬件平台。

发明内容

为解决现有技术的不足，本发明提出了一种基于NPU本地语义分割的甲状腺病变检测系统及其设计方法，设计了基于U_Net和注意力机制的语义分割网络，通过现有的甲状腺结节CT图片和标签进行神经网络的训练，分割鉴定出甲状腺结节的大小、位置；通过NPU实现神经网络算法的部署，实现甲状腺病变鉴别的本地处理。实现快速、准确的鉴别甲状腺病变区域和大小。本发明采用如下的技术方案：

一种基于NPU本地语义分割的甲状腺病变检测系统，包括高分辨率甲状腺病变图像采集模块、神经网络语义分割模块、NPU边缘设备图像处理模块和可视化模块；

所述图像采集预处理模块，用于采集甲状腺病变图像，进行数据增强预处理；

所述神经网络语义分割模块，采用MindSpore深度学习框架进行语义分割模型训练，将大量原始甲状腺病变图像和标签，输入到神经网络中训练，得到可分割出病变区域的网络模型；

所述NPU边缘设备图像处理模块，将训练好的网络模型部署在NPU上，将摄像头采集的甲状腺病变图片经过语义分割网络本地计算推理，得到病变输出结果；

所述可视化模块，实时呈现NPU推理后的结果。