[发明专利]自主评估甲状腺结节良恶性的智能辅助识别设备及方法

说明书

本发明提供了一种自主评估甲状腺结节良恶性的智能辅助识别设备及方法，包括模拟超声探头、模拟皮肤平台、控制模块、现场执行机构、DICOM工作站、结节良恶性分类模块、结节区域计算模块、可视化操作模块、报告输出设备。其中，进行超声扫描的方法为根据模拟超声探头在模拟皮肤平台上的运动，获取模拟超声探头的位姿、模拟超声探头和模拟皮肤平台间的正压力以及模拟超声探头在模拟皮肤平台表面的二维坐标，从而控制现场机械手进行超声扫描。甲状腺结节的良恶性分类方法为使用机器学习方法完成甲状腺结节超声图像的分类任务。本发明提供了辅助工作站，便于操作。本发明大大增加了操作者的临场感，并可以及时得到识别结果，为医生进一步诊断提供参考。

技术领域

本发明涉及机器人人机协作技术领域的一种医学图像分析、机器学习及顺应性控制技术，具体地，涉及一种自主评估甲状腺结节良恶性的智能辅助识别设备及方法。

背景技术

甲状腺结节是指在甲状腺内的肿块，可随吞咽动作随甲状腺而上下移动，是临床常见的病症，可由多种病因引起。甲状腺结节分为良性、恶行两种类型，就现阶段两种类型甲状腺结节的发病率分析，良性占95％左右，故于术前进行及时、准确、有效的诊断有利于减少过度治疗对患者的损伤，降低对医疗资源的损耗，以及降低甲状腺癌症的发病率。

检测甲状腺结节有很多种方式，其中首选方案是超声检测。医学超声成像技术通过组织结构对超声声束的不同声阻抗来获取不同的反射信号，从而判断生物组织的内部结构信息。作为四大医学成像技术之一，超声成像不但不会对人体造成辐射污染，而且计量累积误差小、成像速度快，在价格上还远低于其余三种医学成像技术，因此在临床上业已成为一种广泛使用的病症检查方式。

现有的超声诊断方式大多是由医生手持超声探头对患者的甲状腺进行超声波扫描得到甲状腺的超声图像，然后对其进行人工识别诊断。因此其具有诊断效率慢、医生工作量大、对医师的操作和使用技术要求较高等缺点。

而随着机器学习的发展，基于超声图像的甲状腺结节的识别诊断问题已经处于机器学习所能完成的任务范畴之内。图像分类问题是计算机视觉中的重要研究部分，自卷积神经网络诞生以来，研究者提出了诸多方法增加其识别准确率，如针对卷积层通过局部感受野、共享权重、上下采样来抑制平移、放缩和扭曲对图片判断的影响；针对池化层通过二次特征提取的方式减少特征数量，进而降低计算量，增强鲁棒性。此外，研究者也在不断优化卷积神经网络模型，如Alex Krizhevsky等人提出的AlexNet模型，采用了ReLU(Rectified Linear Unit)作为激活函数，增加了收敛速度，抑制了梯度消失的问题，并且加入了剪枝层(Dropout)，以抑制过拟合的发生，提升了测试的准确率。常用的激活函数除了ReLU外，还有tanh，sigmoid，SoftMax等。而由于神经网络训练时间长、训练结果受到数据量和参数初始位置影响，研究者们提出了迁移学习使网络的训练更加方便快捷。针对深度神经网络难以训练的问题，又提出了残差网络，并使用了批标准化操作对CNN进行优化。为了解决机器学习训练样本不足的问题，需要进行数据增强，而随着深度神经网络的发展，利用机器学习进行数据增强的方式也推陈出新，生成对抗网络为图像领域的数据增强提供了新的方法和手段,对机器视觉的研究起到了巨大的推动作用。

用机器学习算法对甲状腺结节DICOM文件进行辅助诊断的准确率达到了一定高度。机器人的运动精度和控制算法也达到了应用于医疗设备的水平。因此使用机器人完成自主超声扫描及诊断对甲状腺结节的及时有效诊断具有极大的意义。

经过检索发现：

公开号为CN206390926U的中国实用新型专利，公开了一种自动化超声诊断机没有安装力传感器，操作者使用机械臂控制柄进行扫描操作，操作者无法准确把握扫描力度，操作临场感差，操作不便，且不具备辅助诊断功能。

公开号为CN110575203A的中国发明专利申请中，由扫查装置自行运行对被检测部位进行扫查，并合成和存储三维图像，扫描路径相对固定，合成三维图像耗时较长，且不具备自主评估甲状腺结节的良恶性的功能。