[发明专利]一种基于卷积神经网络的颈部淋巴结分析装置

说明书

本发明涉及一种基于卷积神经网络的颈部淋巴结分析装置，包括：图像获取模块：用于获取带有颈部淋巴结的超声图像；淋巴结图像提取模块：用于对所述超声图像中的颈部淋巴结进行截取，得到感兴趣颈部淋巴结图像；淋巴结分析模块：用于将所述感兴趣颈部淋巴结图像输入卷积神经网络XDNetV2‑C‑NLH，确定颈部淋巴结的淋巴门结构，其中，所述淋巴门结构包括正常、偏心或消失。本发明能够对颈部淋巴结的淋巴门结构进行有效检测。

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卷积神经网络的颈部淋巴结分析装置。

背景技术

淋巴结是人体免疫系统的一环，协助人体对抗外来细菌、病毒等的入侵。颈部淋巴结可由多种病因引起源发性病变或转移性病变，而颈部淋巴结发生病变可能会导致淋巴门结构发生变化。因此，淋巴门结构是否正常是判断病变良恶性，以及病因诊断的重要依据。

超声波扫查因其(相比CT、MRI等)成本低、对身体损伤小，是临床上最常用的颈部淋巴结诊断手段。现有的诊断方式都是医生一边操作超声设备，一边对颈部淋巴结超声影像进行人工识别判断，其存在的缺点有：诊断速度慢，效率低；医生精力体力消耗大；且对医生个人的经验水平要求较高。

发明内容

本发明所要解决的技术问题是提供一种基于卷积神经网络的颈部淋巴结分析装置，能够对颈部淋巴结的淋巴门结构进行有效检测。

本发明解决其技术问题所采用的技术方案是：提供一种基于卷积神经网络的颈部淋巴结分析装置，包括：

图像获取模块：用于获取带有颈部淋巴结的超声图像；

淋巴结图像提取模块：用于对所述超声图像中的颈部淋巴结进行截取，得到感兴趣颈部淋巴结图像；

淋巴结分析模块：用于将所述感兴趣颈部淋巴结图像输入卷积神经网络XDNetV2-C-NLH，确定颈部淋巴结的淋巴门结构，其中，所述淋巴门结构包括正常、偏心或消失。

所述卷积神经网络XDNetV2-C-NLH包括1个第一特征单元、4个第二特征单元、2 个第三特征单元和1个第四特征单元，其中，所述第一特征单元依次连接2个第二特征单元、2个第五特征单元和1个第四特征单元，另2个第二特征单元均和第三特征单元相连组成2个第五特征单元。

所述第一特征单元包括依次连接的深度可分离卷积层、批归一化层、激活层、卷积层、激活层、层归一化层、注意力模块和相加层，并且第2个激活层的输出和相加层连接。

所述第二特征单元包括依次连接的卷积层、激活层、层归一化层、注意力模块、相加层、层归一化层、注意力模块和相加层，并且激活层的输出和第1个相加层连接，第1个相加层的输出和第2个相加层连接。

所述第三特征单元包括依次连接的激活层、批归一化层、深度可分离卷积层、激活层、批归一化层、深度可分离卷积层和相加层。

所述第四特征单元包括依次连接的批归一化层、激活层、全局均值池化层、失活层、全连接层和激活层。

所述注意力模块包括相对位置编码层和3个深度可分离卷积层，其中，第2个深度可分离层与第3个深度可分离层进行点乘得到第一点乘结果，第3个深度可分离层和相对位置编码层进行点乘得到第二点乘结果，所述第一点乘结果和第二点乘结果相加后与注意力激活层连接，激活层的输出和第1个深度可分离层进行点乘后与重塑层连接。

所述卷积神经网络XDNetV2-C-NLH采用加权分类交叉熵作为损失函数，所述加权分类交叉熵的公式为：其中，L表示卷积神经网络 XDNetV2-C-NLH的预测损失，N表示样本量，K表示卷积神经网络XDNetV2-C-NLH输出层的分类数量值，w_j表示第j类的权重；y_ij表示第i个样本对应第j类的实际值，取值为1或0；表示卷积神经网络XDNetV2-C-NLH的第i个样本对应第j类的预测值。