[发明专利]一种甲状腺结节自动分割及分级的智能系统

权利要求书

1.一种甲状腺结节自动分割及分级的智能系统，其特征在于，包括：

甲状腺超声图像数据库：构建方法为：收集甲状腺结节患者的超声图像以及对应病理结果，勾画甲状腺结节的外周轮廓，并转化为二值图像；

甲状腺超声图像预处理模块：用于将对所得到的甲状腺超声图像数据库进行预处理，并分配训练集和测试集；

甲状腺结节特征提取模块：基于以ResNet34为主干的U-Net分割模型对预处理后的甲状腺超声图像进行特征提取，以ResNet34为主干的U-Net分割模型，包括下采样模块、特征融合模块与上采样模块，具体为：

下采样模块，用于对输入图像进行特征提取，方法为：首先使用大小为7×7，步长为2，数量为64的卷积核提取较大感受野区域的表层特征，将输入图像从512×512×1变为256×256×64；之后将ResNet34网络以池化操作为界限划分为四个Block，每一个Block由一系列卷积操作组成，卷积的激活函数均为ReLU，从上到下每一个Block中卷积层的数量依次为6、8、12、6层，每一个卷积层中卷积核的大小均为3×3，而从上到下四个Block中，卷积核的数量分别是128，256，896，1920，又称为卷积层的通道数，在相邻的Block之间，使用一个核大小为3×3的最大池化层将经过当前Block之后得到的特征图feature map大小缩小为原来的四分之一，长和宽各减为原来的一半，特征图的大小变化从512×512×1、256×256×64、128×128×128、64×64×256、32×32×896到16×16×1920；

上采样模块，用于利用下采样所得到的特征图对图像进行还原和像素级分类，方法为：在得到16×16×1920的特征图之后，使用转置卷积的方式对特征图进行四次上采样，经过了四次转置卷积，卷积核的大小为3×3，激活函数为ReLU；每一次转置卷积后，特征图变为原来的四倍，由16×16、32×32、64×64、128×128到256×256；之后再使用一次激活函数为Sigmoid的3×3的转置卷积将图像还原到512×512×2的大小，数字2代表最终每一个像素点的类别；

特征融合模块，由跳跃连接(skip connection)实现，将每一个下采样得到的特征图与上采样过程中与之相同大小的特征图进行跳跃连接；

甲状腺结节分割模块：用于对进行了特征提取的图像进行语义分割，形成甲状腺结节分割结果图，方法为：在训练集上使用Dice Loss损失函数与交叉熵损失函数融合的损失函数进行训练，在测试集上验证所得网络模型的效果，辅助模型参数的保存，当模型的损失函数在测试集上最小且达到稳定时，停止训练；在验证集上验证训练好的网络模型的分割效果，并输出上采样语义分割结果。

2.根据权利要求1所述的智能系统，其特征在于，甲状腺超声图像数据库构建过程中，收集甲状腺结节患者的超声图像以及对应病理结果，通过标注工具labelme对甲状腺结节进行勾画，并将结果以json格式保存数据，最终转化标签图像为二值图像形成对应的mask。

3.根据权利要求2所述的智能系统，其特征在于，甲状腺超声图像预处理模块，用于将甲状腺结节原始超声图像与对应的mask尺寸归一化到512x512，使用双边滤波去除噪声，将像素值归一化到0-1之间，并区分训练集、验证集、测试集。

4.根据权利要求1所述的智能系统，其特征在于，还包括使用多任务深度卷积神经网络MCNN实现的甲状腺结节恶性风险评级模块，多任务深度卷积神经网络MCNN包括：

CONV_1为一个75个7×7kernel的卷积层，ReLU,3×3的最大池化层，5×5的Normalization；

CONV_2为一个200个5×5kernel的卷积层，ReLU,3×3的最大池化层，5×5的Normalization；

CONV_3为一个300个3×3kernel的卷积层，ReLU，5×5的最大池化，5×5的normalization；

FC为全连接层，由output为500的第一个全连接层，ReLU,50％dropout，output为2的第二个全连接层，激活函数sigmoid组成。