[发明专利]甲状腺结节边缘征象分类方法、装置和系统

说明书

本申请的实施例提供了一种甲状腺结节边缘征象分类方法、装置和系统，该方法包括：获取甲状腺超声图像训练集；构建卷积神经网络模型；以训练集中的甲状腺超声图像作为卷积神经网络模型的输入、以分类结果作为卷积神将网络模型的输出，训练卷积神经网络模型；根据卷积神经网络模型对待处理甲状腺超声图像中甲状腺结节边缘征象进行分类。本申请能够辅助医生完成对甲状腺结节边缘征象的分类，避免了因边缘征象分类不够准确而导致TI‑RADS定级错误所引起的不必要的穿刺手术，减轻了病人身体、金钱和精神上的负担。

技术领域

本申请的实施例涉及深度学习技术领域，尤其涉及一种甲状腺结节边缘征象分类方法、装置和系统。

背景技术

甲状腺超声图像纷繁复杂，良性和恶性结节的超声特征有很多相似之处，这无形增加了该领域的从业人员和研究学者的准入门槛和操作的复杂度。为了解决这个非标准化流程所带来的问题，甲状腺分级标准化在2009年由Horvath在其论文中提出，该评估系统叫作TI-RADS(Thyroid Imaging Reporting and Data System)，旨在简化分类并降低分级难度。随着时间推进，更多人参与到此标准的制订和改进中，TI-RADS日渐成熟且已为成为业界公认的甲状腺分级标准。TI-RADS通过计算五种因素(结构、回声、形态、边缘、钝化点)的得分总和来确定对应的分级(TR1-良性,TR2-不可疑,TR3-低度可疑，TR4-中度可疑，TR5-高度可疑)，每个级别恶性风险由低到高。由于TI-RADS定级是根据五个征象的情况来确定且五者缺一不可，因此单一征象的分类准确性会直接影响最终定级的结果。

因此，需要提供一种能够自动提取特征并对甲状腺结节边缘征象自动分类的模型。

发明内容

为解决上述背景技术中的问题，本申请实施例提供了一种甲状腺结节边缘征象分类方法、装置和系统。

在本申请的第一方面，提供了一种甲状腺结节边缘征象分类方法，包括：获取甲状腺超声图像训练集；构建卷积神经网络模型，所述卷积神经网络模型包括特征提取模型和依次连接在所述特征提取模型之后的卷积层、池化层和全连接层，所述特征提取模型为ResNet网络模型、DenseNet网络模型和ResNext网络模型三者中的一种；以所述训练集中的甲状腺超声图像作为所述卷积神经网络模型的输入、以分类结果作为所述卷积神将网络模型的输出，训练所述卷积神经网络模型，所述分类结果包括光滑、模糊、分叶、不规则及向甲状腺外延伸；根据所述卷积神经网络模型对待处理甲状腺超声图像中甲状腺结节边缘征象进行分类。

在一种可能的实现方式中，在所述卷积神经网络模型训练完成后，采用新的甲状腺超声图像对所述卷积神经网络模型调整，进行卷积神经网络模型迁移学习，其中新的甲状腺超声图像与训练集中的甲状腺超声图像来自不同的仪器。

在一种可能的实现方式中，在训练所述卷积神经网络模型之前，对训练集中甲状腺超声图像进行降噪处理：对甲状腺超声图像进行灰度化处理，得到二值化图像，并对二值化图像进行开运算；随机挑选部分甲状腺超声图像进行数据增强：对甲状腺超声图像进行亮度改变、旋转、平移以及翻折。

在一种可能的实现方式中，在获取甲状腺超声图像训练集时，对占比较少的甲状腺超声图像进行重复采样。

在本申请的第二方面，提供了一种甲状腺结节边缘征象分类装置，包括：数据获取模块，用于获取甲状腺超声图像训练集；模型构建模块，用于构建卷积神经网络模型，所述卷积神经网络模型包括特征提取模型和依次连接在所述特征提取模型之后的卷积层、池化层和全连接层，所述特征提取模型为ResNet网络模型、DenseNet网络模型和ResNext网络模型三者中的一种；模型训练模块，用于以所述训练集中的甲状腺超声图像作为所述卷积神经网络模型的输入、以分类结果作为所述卷积神将网络模型的输出，训练所述卷积神经网络模型，所述分类结果包括光滑、模糊、分叶、不规则及向甲状腺外延伸；图像分类模块，用于根据所述卷积神经网络模型对待处理甲状腺超声图像中甲状腺结节边缘征象进行分类。