[发明专利]一种基于SPECT影像的甲状腺疾病诊断方法

摘要

本发明提供一种基于SPECT影像的甲状腺疾病诊断方法，使用一种改进的DenseNet网络结构的卷积神经网络进行图像分类，在Dense block中的跨层连接中增加对于权重有影响的参数，并使得以前各层的特征图的权重在训练中进行动态调整，从而使得网络具有更大的灵活性，提高分类性能。实施实例表明该方法能够获得优于其他深度学习方法的性能。本发明可以广泛应用于甲状腺疾病的诊断和其他图像分类问题。

主权项

1.一种基于SPECT影像的甲状腺疾病诊断方法，通过采用卷积神经网络的机器学习方法对SPECT图像进行分类，达到检测或者识别甲状腺疾病的目的，前述卷积神经网络采用DenseNet网络结构或者改进的DenseNet网络结构，其特征在于：第一，前述卷积神经网络连接具有以下特征：在每一个密集连接dense block模块里面，将可训练的权重参数添加到每个跨层连接中，初始化值设置为1，从而不会影响训练前的权重，在前向传播过程中，将网络中每一层的特征与相应的权重相乘，这样得到的在第l层输入和输出的关系是y_l＝F_l([x₀·k_l,0,x₁·k_l,1,...,x_l‑1·k_l,l‑1],{W_l}),   (2)其中，l表示当前的层数，y_l是该层的输出；[x₀,x₁,...,x_l‑1]是在0,1,...,l‑1层中生成的特征图；F_l表示非线性变换，包括但不限于以下的网络形式：BN,ReLU和3x3的卷积；W_l表示F_l的参数；k_l,0,k_l,1,...,k_l,l‑1指的是当x₀,x₁,...,x_l‑1连接到l层时确定x₀,x₁,...,x_l‑1的权重的参数；第二，前述卷积神经网络在学习过程中具有以下特征：网络在训练期间学习前述权重的参数，在反向传播过程中，前述权重参数的值表示相应特征图的影响程度，当该相应特征图在分类任务中包含较多有用信息或者起主要的作用时，该相应特征图对应的权重参数将相对较大；而当该特征图在分类任务中包含较少有用信息，或者起次要作用，或者不起作用的时候，该相应特征图对应的权重参数将相对较小。