CN106951928A - 一种甲状腺乳头状癌的超声图像识别方法及装置 - Google Patents
一种甲状腺乳头状癌的超声图像识别方法及装置 Download PDFInfo
- Publication number
- CN106951928A CN106951928A CN201710217515.0A CN201710217515A CN106951928A CN 106951928 A CN106951928 A CN 106951928A CN 201710217515 A CN201710217515 A CN 201710217515A CN 106951928 A CN106951928 A CN 106951928A
- Authority
- CN
- China
- Prior art keywords
- thyroid carcinoma
- papillary thyroid
- deep learning
- ultrasonic image
- ultrasound image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010033701 Papillary thyroid cancer Diseases 0.000 title claims abstract description 141
- 208000030045 thyroid gland papillary carcinoma Diseases 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 210000001685 thyroid gland Anatomy 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 28
- 239000010410 layer Substances 0.000 description 68
- 206010028980 Neoplasm Diseases 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 7
- 230000003902 lesion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种甲状腺乳头状癌的超声图像识别方法及装置，包括采用预先建立的甲状腺乳头状癌超声图像识别模型对待识别的甲状腺乳头状癌超声图像的特征进行识别；甲状腺乳头状癌超声图像识别模型的建立过程为对各个用于深度学习的甲状腺乳头状癌超声图像进行预处理；将经过预处理的各个用于深度学习的甲状腺乳头状癌超声图像进行归一化；建立卷积神经网络；利用卷积神经网络对归一化后的各个用于深度学习的甲状腺乳头状癌超声图像进行训练，得到甲状腺乳头状癌超声图像识别模型。本发明在使用过程中可以对待识别的甲状腺乳头状癌超声图像的特征进行准确的识别，以便于辅助医生的诊断，降低诊断的不确定性，提高诊断的准确度。
Description
技术领域
本发明涉及超声图像识别技术领域，特别是涉及一种甲状腺乳头状癌的超声图像识别方法及装置。
背景技术
近年来，癌症的患病率越来越高，对患者的病灶做出准确、快速的诊断是非常重要的一个环节。在对癌症进行诊断时，较为常规的诊断方法是在显微镜下对病理切片进行人工的细胞病理形态的定性分析，而这种诊断方法往往带有很大的主观性，尤其当癌变的特征不太明显或者取样较少时，将会造成主观诊断不确定性的增加。
随着数字图像处理技术和模式识别与人工智能技术的发展，用计算机进行辅助诊断能尽量减少对癌细胞的误判，提高诊断的准确率。通常是通过对病灶的超声图像的识别来进行相应的诊断，但是，目前对甲状腺乳头状癌的超声图像的识别是通过人工进行识别的，同样造成诊断的不确定性增加，在一定程度上降低了诊断的准确度。
因此，如何提高一种解决上述技术问题的甲状腺乳头状癌的超声图像识别方法成为本领域的技术人员需要解决的问题。
发明内容
本发明的目的是提供一种甲状腺乳头状癌的超声图像识别方法及装置，在使用过程中可以对待识别的甲状腺乳头状癌超声图像的特征进行准确的识别，以便于辅助医生的诊断，降低诊断的不确定性，提高诊断的准确度。
为解决上述技术问题，本发明提供了一种甲状腺乳头状癌的超声图像识别方法，包括采用预先建立的甲状腺乳头状癌超声图像识别模型对待识别的甲状腺乳头状癌超声图像的特征进行识别；
所述甲状腺乳头状癌超声图像识别模型的建立过程为：对各个用于深度学习的甲状腺乳头状癌超声图像进行预处理；将经过预处理的各个所述用于深度学习的甲状腺乳头状癌超声图像进行归一化；建立卷积神经网络，所述卷积神经网络包括n个卷积层、n个最大池化层、最大链路层和分类层，所述n个卷积层与所述n个最大池化层依次交替分布，所述n为大于1的整数；利用所述卷积神经网络对归一化后的各个所述用于深度学习的甲状腺乳头状癌超声图像进行训练，得到甲状腺乳头状癌超声图像识别模型。
可选的，所述将经过预处理的各个所述用于深度学习的甲状腺乳头状癌超声图像进行归一化的过程具体为：
将经过预处理的各个所述用于深度学习的甲状腺乳头状癌超声图像的大小按照35*35的格式进行归一化。
可选的，所述n为3；
则，三个所述卷积层的卷积核的大小分别为5*5、3*3和3*3；所述全链路层包括128个神经元。
可选的，所述利用所述卷积神经网络对归一化后的各个所述用于深度学习的甲状腺乳头状癌超声图像进行训练的过程具体为：
采用随机梯度下降法对输入至所述卷积神经网络中的、归一化后的各个所述用于深度学习的甲状腺乳头状癌超声图像进行训练。
可选的，所述随机梯度下降法依据计算关系式对θ进行迭代以得到损失函数的最优解；其中，h(θ)表示拟合函数，θ表示参数，m表示迭代总次数，i表示第几次迭代，n表示参数的总个数，j表示第j个参数，x和y表示与所述参数对应的特征的坐标。
可选的，所述对用于深度学习的甲状腺乳头状癌超声图像进行预处理的过程具体为：
去除各个所述用于深度学习的甲状腺乳头状癌超声图像中的空白部分、文字信息以及甲状腺组织的背景。
可选的，各个所述卷积层的步长均为1。
可选的，如上述所述的甲状腺乳头状癌的超声图像识别方法，在对待识别的甲状腺乳头状癌超声图像进行识别之前，所述方法还包括：对待识别的甲状腺乳头状癌超声图像进行归一化处理。
为解决上述技术问题，本发明提供了一种甲状腺乳头状癌的超声图像识别装置，包括识别模块，用于采用预先建立的甲状腺乳头状癌超声图像识别模型对待识别的甲状腺乳头状癌超声图像的特征进行识别；
所述甲状腺乳头状癌超声图像识别模型的建立过程为：对各个用于深度学习的甲状腺乳头状癌超声图像进行预处理；将经过预处理的各个所述用于深度学习的甲状腺乳头状癌超声图像进行归一化；建立卷积神经网络，所述卷积神经网络包括n个卷积层、n个最大池化层、最大链路层和分类层，所述n个卷积层与所述n个最大池化层依次交替分布，所述n为大于1的整数；利用所述卷积神经网络对归一化后的各个所述用于深度学习的甲状腺乳头状癌超声图像进行训练，得到甲状腺乳头状癌超声图像识别模型。
本发明提供了一种甲状腺乳头状癌的超声图像识别方法及装置，包括采用预先建立的甲状腺乳头状癌超声图像识别模型对待识别的甲状腺乳头状癌超声图像的特征进行识别；甲状腺乳头状癌超声图像识别模型的建立过程为：对各个用于深度学习的甲状腺乳头状癌超声图像进行预处理；将经过预处理的各个用于深度学习的甲状腺乳头状癌超声图像进行归一化；建立卷积神经网络，卷积神经网络包括n个卷积层、n个最大池化层、最大链路层和分类层，n个卷积层与n个最大池化层依次交替分布，n为大于1的整数；利用卷积神经网络对归一化后的各个用于深度学习的甲状腺乳头状癌超声图像进行训练，得到甲状腺乳头状癌超声图像识别模型。
本发明中的甲状腺乳头状癌超声图像识别模型是采用深度学习的卷积神经网络通过获取大量的甲状腺乳头状癌超声图像的特征并对这些超声图像进行相应的训练得到的，采用该甲状腺乳头状癌超声图像识别模型可以对待识别的甲状腺乳头状癌超声图像的特征进行准确的识别，以便于辅助医生的诊断，降低诊断的不确定性，提高诊断的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种甲状腺乳头状癌的超声图像识别方法的流程示意图；
图2为本发明所提供的一种卷积神经网络的结构示意图。
具体实施方式
本发明提供了一种甲状腺乳头状癌的超声图像识别方法及装置，在使用过程中可以对待识别的甲状腺乳头状癌超声图像的特征进行准确的识别，以便于辅助医生的诊断，降低诊断的不确定性，提高诊断的准确度。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1，图1为本发明提供的一种甲状腺乳头状癌的超声图像识别方法的流程示意图。该方法包括：
步骤10：对待识别的甲状腺乳头状癌超声图像进行归一化处理。
需要说明的是，本发明预先会建立一个甲状腺乳头状癌超声图像识别模型，并采用该模型对待处理的甲状腺乳头状超生图片的特征进行识别，那么采用该模型在对待处理的甲状腺乳头状超生图片的特征进行识别之前可以对该甲状腺乳头状超生图片进行预处理，主要可以对其进行归一化处理，以便于在使用训练好的甲状腺乳头状癌超声图像识别模型能够准确的识别和预测癌症病灶部分。
步骤20：采用预先建立的甲状腺乳头状癌超声图像识别模型对待识别的甲状腺乳头状癌超声图像的特征进行识别；
甲状腺乳头状癌超声图像识别模型的建立过程为：对各个用于深度学习的甲状腺乳头状癌超声图像进行预处理；将经过预处理的各个用于深度学习的甲状腺乳头状癌超声图像进行归一化；建立卷积神经网络，卷积神经网络包括n个卷积层、n个最大池化层、最大链路层和分类层，n个卷积层与n个最大池化层依次交替分布，n为大于1的整数；利用卷积神经网络对归一化后的各个用于深度学习的甲状腺乳头状癌超声图像进行训练，得到甲状腺乳头状癌超声图像识别模型。
具体的，本发明预先利用大量的用于深度学习的甲状腺乳头状癌超声图像(历史样本图像)建立一个甲状腺乳头状癌超声图像识别模型，该模型是利用卷积神经网络对各个深度学习的甲状腺乳头状癌超声图像训练得到的。
首先，需要对各个用于对各个用于深度学习的甲状腺乳头状癌超声图像进行预处理，例如，通过剪裁的方式去除各个历史样本图像周围的空白处以及一些文字部分(例如，图像中的logo部分等)，当然，还可以将图像中甲状腺组织的背景部分去掉，以便使病灶的特征更加明显。对于去除图像中甲状腺组织的背景，可以通过调节RGB通道的光学密度值来实现对图像背景的去除，其中，通道的光学密度为ODC＝log10(I/Imax)，c表示通道(RGB)，Imax为最大光学密度，Imax＝255，并且通过调整相应的参数，当ODc＝0.2时，可以将图像中所有的背景全部滤去。也可以采用其他的方法滤除图像中的背景，本发明对此不做特殊限定。
需要说明的是，对这些图像进行预处理主要是为了更有效的利用好这些图像以及更好的对癌症病理图像进行标注。
其次，对经过预处理的各个历史样本图像进行归一化处理，可以对各个历史样本图像的大小进行归一化处理，本申请中优选的可以按照35*35大小的ROIs(Regions ofinterest，感兴趣区域)对各个历史样本图像的进行归一化分析，并且要尽量选择甲状腺实质部分和估计有病灶的部分进行归一化，以减小误差。
需要说明的是，卷积神经网络在构建的过程中，可以包括n个卷积层、n个最大池化层。一个全链接层和一个分类层。各个卷积层用于提取图像相应部分的特征，并将提取到的特征输入至相应的最大池化层，以便相应的最大池化层对这些卷积特征进行取平均，以缩小隐藏节点对于卷积特征的维数，进一步减小分类层的设计负担。
请参照图2，图2为本发明所提供的一种卷积神经网络的结构示意图，其中，n为3，也就是本申请中的卷积神经网络优选的包括三个卷积层、三个最大池化层、一个全链接层和一个分类层，三个卷积层和三个最大池化层从上往下依次交替进行分布，并且每个卷积层均设有一个下采样层，每个下采样层均采用均值采样法对特征进行采样提取。本申请中的三个卷积层依次分别包括4、8和16个特征图，并且三个卷积层的卷积核的大小依次为5*5、3*3和3*3，各个卷积层的步长优选为1，故每个卷积层的下采样层的步长为2；全链路层一共包括128个神经元。另外，本申请中的分类层(Softmax层)是一个单层的神经网络分类器，通过构建假设函数，计算输入的样本特征被划分到每一类别的概率，并通过调整参数使得对应的概率最大。这种分类方法的分类准确率较高，训练速度较快。
构建好卷积神经网络后，将经过归一化处理的各个历史样本图像输入至该卷积神经网络中进行训练，具体采用的是随机梯度下降法对各个历史样本图像进行训练，使损失函数达到最优解，该方法是通过每个样本来迭代更新一次，当样本量很大时可能只需要其中的几万或者几千条样本就可以将损失函数迭代到最优解了，以进一步得到训练好的甲状腺乳头状癌超声图像识别模型。
可选的，随机梯度下降法依据计算关系式对θ进行迭代以得到损失函数的最优解；其中，h(θ)表示拟合函数，θ表示参数，m表示迭代总次数，i表示第几次迭代，n表示参数的总个数，j表示第j个参数，x和y表示与参数对应的特征的坐标。
具体的，由计算关系式和可以得出，J(θ)对θ求偏导得到对应的梯度，进一步更新θ值，即：该随机梯度下降法最小化每条样本的损失函数，使最终结果趋向于最优解。
当该基于深度学习的甲状腺乳头状癌超声图像识别模型训练好以后，便可以对输入至该模型中的待识别的甲状腺乳头状癌超声图像进行特征的识别，以识别出具有癌症病灶的特征。
可选的，将经过预处理的各个用于深度学习的甲状腺乳头状癌超声图像进行归一化的过程具体为：
将经过预处理的各个用于深度学习的甲状腺乳头状癌超声图像的大小按照35*35的格式进行归一化。
当然，还可以将各个用于深度学习的甲状腺乳头状癌超声图像的大小按照其他具体格式进行归一化处理，并不仅限于按照35*35的格式对其进行归一化处理，本发明对此不做特殊的限定，能实现本发明的目的即可。
可选的，n为3；
则，三个卷积层的卷积核的大小分别为5*5、3*3和3*3；全链路层包括128个神经元。
当然，n不仅限于为3，还可以为其他的具体数值，对于n的具体取值本发明对此不做特殊的限定，能实现本发明的目的即可。
可选的，对用于深度学习的甲状腺乳头状癌超声图像进行预处理的过程具体为：
去除各个用于深度学习的甲状腺乳头状癌超声图像中的空白部分、文字信息以及甲状腺组织的背景。
当然，还可以采用其他的方式对用于深度学习的甲状腺乳头状癌超声图像进行预处理，本发明对此不做特殊的限定，能实现本发明的目的即可。
可选的，各个卷积层的步长均为1。
当然，各个卷积层的步长不仅限于为1，还可以为其他的具体数值，其具体取值可以根据实际情况而定，本发明对此不做特殊的限定，能实现本发明的目的即可。
还需要说明的是，本发明将特征提取和甲状腺乳头状癌超声图像的识别融合在一起，有利于整体的优化，可以实现端到端的癌症图像识别，并且用于深度学习的甲状腺乳头状癌超声图像的数量越多，所构建出的甲状腺乳头状癌超声图像识别模型在对甲状腺乳头状癌超声图像进行特征识别时，其准确率越高，并且即使在干扰性较强的情况下依旧可以具有较强的鲁棒性。
本发明提供了一种甲状腺乳头状癌的超声图像识别方法，包括采用预先建立的甲状腺乳头状癌超声图像识别模型对待识别的甲状腺乳头状癌超声图像的特征进行识别；甲状腺乳头状癌超声图像识别模型的建立过程为：对各个用于深度学习的甲状腺乳头状癌超声图像进行预处理；将经过预处理的各个用于深度学习的甲状腺乳头状癌超声图像进行归一化；建立卷积神经网络，卷积神经网络包括n个卷积层、n个最大池化层、最大链路层和分类层，n个卷积层与n个最大池化层依次交替分布，n为大于1的整数；利用卷积神经网络对归一化后的各个用于深度学习的甲状腺乳头状癌超声图像进行训练，得到甲状腺乳头状癌超声图像识别模型。
本发明中的甲状腺乳头状癌超声图像识别模型是采用深度学习的卷积神经网络通过获取大量的甲状腺乳头状癌超声图像的特征并对这些超声图像进行相应的训练得到的，采用该甲状腺乳头状癌超声图像识别模型可以对待识别的甲状腺乳头状癌超声图像的特征进行准确的识别，以便于辅助医生的诊断，降低诊断的不确定性，提高诊断的准确度。
本发明提供了一种甲状腺乳头状癌的超声图像识别装置。该装置包括识别模块，用于采用预先建立的甲状腺乳头状癌超声图像识别模型对待识别的甲状腺乳头状癌超声图像的特征进行识别；
甲状腺乳头状癌超声图像识别模型的建立过程为：对各个用于深度学习的甲状腺乳头状癌超声图像进行预处理；将经过预处理的各个用于深度学习的甲状腺乳头状癌超声图像进行归一化；建立卷积神经网络，卷积神经网络包括n个卷积层、n个最大池化层、最大链路层和分类层，n个卷积层与n个最大池化层依次交替分布，n为大于1的整数；利用卷积神经网络对归一化后的各个用于深度学习的甲状腺乳头状癌超声图像进行训练，得到甲状腺乳头状癌超声图像识别模型。
需要说明的是，本发明在使用过程中可以对待识别的甲状腺乳头状癌超声图像的特征进行准确的识别，以便于辅助医生的诊断，降低诊断的不确定性，提高诊断的准确度。另外，对于本发明中所涉及到的甲状腺乳头状癌的超声图像识别方法的具体介绍请参照上述方法实施例，本申请对此不再赘述。
还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种甲状腺乳头状癌的超声图像识别方法，其特征在于，包括采用预先建立的甲状腺乳头状癌超声图像识别模型对待识别的甲状腺乳头状癌超声图像的特征进行识别；
所述甲状腺乳头状癌超声图像识别模型的建立过程为：对各个用于深度学习的甲状腺乳头状癌超声图像进行预处理；将经过预处理的各个所述用于深度学习的甲状腺乳头状癌超声图像进行归一化；建立卷积神经网络，所述卷积神经网络包括n个卷积层、n个最大池化层、最大链路层和分类层，所述n个卷积层与所述n个最大池化层依次交替分布，所述n为大于1的整数；利用所述卷积神经网络对归一化后的各个所述用于深度学习的甲状腺乳头状癌超声图像进行训练，得到甲状腺乳头状癌超声图像识别模型。
2.根据权利要求1所述的甲状腺乳头状癌的超声图像识别方法，其特征在于，所述将经过预处理的各个所述用于深度学习的甲状腺乳头状癌超声图像进行归一化的过程具体为：
将经过预处理的各个所述用于深度学习的甲状腺乳头状癌超声图像的大小按照35*35的格式进行归一化。
3.根据权利要求2所述的甲状腺乳头状癌的超声图像识别方法，其特征在于，所述n为3；
则，三个所述卷积层的卷积核的大小分别为5*5、3*3和3*3；所述全链路层包括128个神经元。
4.根据权利要求3所述的甲状腺乳头状癌的超声图像识别方法，其特征在于，所述利用所述卷积神经网络对归一化后的各个所述用于深度学习的甲状腺乳头状癌超声图像进行训练的过程具体为：
采用随机梯度下降法对输入至所述卷积神经网络中的、归一化后的各个所述用于深度学习的甲状腺乳头状癌超声图像进行训练。
5.根据权利要求4所述的甲状腺乳头状癌的超声图像识别方法，其特征在于，所述随机梯度下降法依据计算关系式对θ进行迭代以得到损失函数的最优解；其中，h(θ)表示拟合函数，θ表示参数，m表示迭代总次数，i表示第几次迭代，n表示参数的总个数，j表示第j个参数，x和y表示与所述参数对应的特征的坐标。
6.根据权利要求5所述的甲状腺乳头状癌的超声图像识别方法，其特征在于，所述对用于深度学习的甲状腺乳头状癌超声图像进行预处理的过程具体为：
去除各个所述用于深度学习的甲状腺乳头状癌超声图像中的空白部分、文字信息以及甲状腺组织的背景。
7.根据权利要求6所述的甲状腺乳头状癌的超声图像识别方法，其特征在于，各个所述卷积层的步长均为1。
8.根据权利要求1-7任意一项所述的甲状腺乳头状癌的超声图像识别方法，其特征在于，在对待识别的甲状腺乳头状癌超声图像进行识别之前，所述方法还包括：对待识别的甲状腺乳头状癌超声图像进行归一化处理。
9.一种甲状腺乳头状癌的超声图像识别装置，其特征在于，包括识别模块，用于采用预先建立的甲状腺乳头状癌超声图像识别模型对待识别的甲状腺乳头状癌超声图像的特征进行识别；
所述甲状腺乳头状癌超声图像识别模型的建立过程为：对各个用于深度学习的甲状腺乳头状癌超声图像进行预处理；将经过预处理的各个所述用于深度学习的甲状腺乳头状癌超声图像进行归一化；建立卷积神经网络，所述卷积神经网络包括n个卷积层、n个最大池化层、最大链路层和分类层，所述n个卷积层与所述n个最大池化层依次交替分布，所述n为大于1的整数；利用所述卷积神经网络对归一化后的各个所述用于深度学习的甲状腺乳头状癌超声图像进行训练，得到甲状腺乳头状癌超声图像识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710217515.0A CN106951928A (zh) | 2017-04-05 | 2017-04-05 | 一种甲状腺乳头状癌的超声图像识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710217515.0A CN106951928A (zh) | 2017-04-05 | 2017-04-05 | 一种甲状腺乳头状癌的超声图像识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106951928A true CN106951928A (zh) | 2017-07-14 |
Family
ID=59475272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710217515.0A Pending CN106951928A (zh) | 2017-04-05 | 2017-04-05 | 一种甲状腺乳头状癌的超声图像识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106951928A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451615A (zh) * | 2017-08-01 | 2017-12-08 | 广东工业大学 | 基于Faster RCNN的甲状腺乳头状癌超声图像识别方法及系统 |
| CN108765511A (zh) * | 2018-05-30 | 2018-11-06 | 重庆大学 | 基于深度学习的超声图像超分辨率重建方法 |
| CN109620293A (zh) * | 2018-11-30 | 2019-04-16 | 腾讯科技（深圳）有限公司 | 一种图像识别方法、装置以及存储介质 |
| CN109637633A (zh) * | 2018-11-17 | 2019-04-16 | 广州航海学院 | 一种基于大数据与机器学习的诊断乳腺癌病情的方法 |
| CN109685143A (zh) * | 2018-12-26 | 2019-04-26 | 上海市第十人民医院 | 一种甲状腺锝扫图像的识别模型构建方法及装置 |
| CN109829889A (zh) * | 2018-12-27 | 2019-05-31 | 清影医疗科技（深圳）有限公司 | 一种超声图像处理方法及其系统、设备、存储介质 |
| CN109919187A (zh) * | 2019-01-28 | 2019-06-21 | 浙江工商大学 | 用bagging微调CNN来分类甲状腺滤泡状图片的方法 |
| CN110288573A (zh) * | 2019-06-13 | 2019-09-27 | 天津大学 | 一种哺乳类家畜患病自动检测方法 |
| CN111145149A (zh) * | 2019-12-18 | 2020-05-12 | 佛山科学技术学院 | 一种基于深度学习的图像识别方法、装置及存储介质 |
| WO2020215485A1 (zh) * | 2019-04-20 | 2020-10-29 | 无锡祥生医疗科技股份有限公司 | 胎儿生长参数测量方法、系统及超声设备 |
| CN112233106A (zh) * | 2020-10-29 | 2021-01-15 | 电子科技大学中山学院 | 一种基于残差胶囊网络的甲状腺癌超声影像分析方法 |
| US10993653B1 (en) | 2018-07-13 | 2021-05-04 | Johnson Thomas | Machine learning based non-invasive diagnosis of thyroid disease |
| CN113592013A (zh) * | 2021-08-06 | 2021-11-02 | 国网新源水电有限公司富春江水力发电厂 | 一种基于图注意力网络的三维点云分类方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
| CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
-
2017
- 2017-04-05 CN CN201710217515.0A patent/CN106951928A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
| CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451615A (zh) * | 2017-08-01 | 2017-12-08 | 广东工业大学 | 基于Faster RCNN的甲状腺乳头状癌超声图像识别方法及系统 |
| CN108765511A (zh) * | 2018-05-30 | 2018-11-06 | 重庆大学 | 基于深度学习的超声图像超分辨率重建方法 |
| CN108765511B (zh) * | 2018-05-30 | 2023-03-24 | 重庆大学 | 基于深度学习的超声图像超分辨率重建方法 |
| US10993653B1 (en) | 2018-07-13 | 2021-05-04 | Johnson Thomas | Machine learning based non-invasive diagnosis of thyroid disease |
| CN109637633A (zh) * | 2018-11-17 | 2019-04-16 | 广州航海学院 | 一种基于大数据与机器学习的诊断乳腺癌病情的方法 |
| CN109637633B (zh) * | 2018-11-17 | 2023-02-07 | 广州航海学院 | 一种基于大数据与机器学习的诊断乳腺癌病情的方法 |
| CN109620293A (zh) * | 2018-11-30 | 2019-04-16 | 腾讯科技（深圳）有限公司 | 一种图像识别方法、装置以及存储介质 |
| CN109620293B (zh) * | 2018-11-30 | 2020-07-07 | 腾讯科技（深圳）有限公司 | 一种图像识别方法、装置以及存储介质 |
| CN109685143A (zh) * | 2018-12-26 | 2019-04-26 | 上海市第十人民医院 | 一种甲状腺锝扫图像的识别模型构建方法及装置 |
| CN109829889A (zh) * | 2018-12-27 | 2019-05-31 | 清影医疗科技（深圳）有限公司 | 一种超声图像处理方法及其系统、设备、存储介质 |
| CN109919187B (zh) * | 2019-01-28 | 2021-02-12 | 浙江工商大学 | 用bagging微调CNN来分类甲状腺滤泡状图片的方法 |
| CN109919187A (zh) * | 2019-01-28 | 2019-06-21 | 浙江工商大学 | 用bagging微调CNN来分类甲状腺滤泡状图片的方法 |
| WO2020215485A1 (zh) * | 2019-04-20 | 2020-10-29 | 无锡祥生医疗科技股份有限公司 | 胎儿生长参数测量方法、系统及超声设备 |
| CN110288573A (zh) * | 2019-06-13 | 2019-09-27 | 天津大学 | 一种哺乳类家畜患病自动检测方法 |
| CN111145149A (zh) * | 2019-12-18 | 2020-05-12 | 佛山科学技术学院 | 一种基于深度学习的图像识别方法、装置及存储介质 |
| CN111145149B (zh) * | 2019-12-18 | 2023-04-28 | 佛山科学技术学院 | 一种基于深度学习的图像识别方法、装置及存储介质 |
| CN112233106A (zh) * | 2020-10-29 | 2021-01-15 | 电子科技大学中山学院 | 一种基于残差胶囊网络的甲状腺癌超声影像分析方法 |
| CN113592013A (zh) * | 2021-08-06 | 2021-11-02 | 国网新源水电有限公司富春江水力发电厂 | 一种基于图注意力网络的三维点云分类方法 |
| CN113592013B (zh) * | 2021-08-06 | 2024-04-30 | 国网新源水电有限公司富春江水力发电厂 | 一种基于图注意力网络的三维点云分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106951928A (zh) | 一种甲状腺乳头状癌的超声图像识别方法及装置 | |
| CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
| CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及系统 | |
| CN108090906B (zh) | 一种基于区域提名的宫颈图像处理方法及装置 | |
| CN110472676A (zh) | 基于深度神经网络的胃早癌组织学图像分类系统 | |
| CN104077579B (zh) | 基于专家系统的人脸表情图像识别方法 | |
| WO2023045231A1 (zh) | 一种解耦分治的面神经分割方法和装置 | |
| CN107451565B (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
| CN111695636B (zh) | 一种基于图神经网络的高光谱图像分类方法 | |
| CN107609503A (zh) | 智能癌变细胞识别系统及方法、云平台、服务器、计算机 | |
| CN110415250B (zh) | 一种基于深度学习的重叠染色体分割方法及装置 | |
| CN111028923B (zh) | 数字病理图像染色归一化方法、电子装置及存储介质 | |
| CN111126361B (zh) | 基于半监督学习和特征约束的sar目标鉴别方法 | |
| CN113450305B (zh) | 医疗图像的处理方法、系统、设备及可读存储介质 | |
| CN104463215A (zh) | 基于视网膜图像处理的微小动脉瘤发生风险预测系统 | |
| CN111062928A (zh) | 一种医学ct图像中病变的识别方法 | |
| CN115294075A (zh) | 一种基于注意力机制的octa图像视网膜血管分割方法 | |
| CN111815609B (zh) | 基于情境感知及多模型融合的病理图像分类方法及系统 | |
| CN113516097B (zh) | 一种基于改进EfficentNet-V2的植物叶片疾病识别方法 | |
| CN108961270B (zh) | 一种基于语义分割的桥梁裂缝图像分割模型 | |
| CN111626986B (zh) | 一种基于深度学习的三维超声腹壁疝补片检测方法及系统 | |
| CN116596891B (zh) | 基于半监督多任务检测的木地板颜色分类及缺陷检测方法 | |
| CN116258686A (zh) | 基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法 | |
| CN116824241A (zh) | 一种基于迭代学习的马铃薯病害多分类和检测方法 | |
| CN111667469A (zh) | 肺部疾病分类方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170714 |
|
| RJ01 | Rejection of invention patent application after publication |