CN113177554B - 甲状腺结节识别与分割方法、系统、存储介质及设备 - Google Patents

甲状腺结节识别与分割方法、系统、存储介质及设备 Download PDF

Info

Publication number
CN113177554B
CN113177554B CN202110554622.9A CN202110554622A CN113177554B CN 113177554 B CN113177554 B CN 113177554B CN 202110554622 A CN202110554622 A CN 202110554622A CN 113177554 B CN113177554 B CN 113177554B
Authority
CN
China
Prior art keywords
sample
loss
branch
training
samples
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.)
Active
Application number
CN202110554622.9A
Other languages
English (en)
Other versions
CN113177554A (zh
Inventor
李冠彬
龚海帆
谢一凡
陈冠锜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110554622.9A priority Critical patent/CN113177554B/zh
Publication of CN113177554A publication Critical patent/CN113177554A/zh
Application granted granted Critical
Publication of CN113177554B publication Critical patent/CN113177554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种甲状腺结节识别与分割方法，包括：获取预处理样本，并输入至骨架网络进行样本特征提取；将提取到的特征样本分别输入至第一分支及第二分支进行训练；分别计算训练后的第一分支的分类损失及第二分支的分割损失；通过分类损失及分割损失的线性加权得到总损失训练模型；其中，总损失训练模型能够对输入图像的甲状腺结节的良恶性类别和病变区域进行判断。本发明能够减轻对医生等人力资源的依赖，降低人为错误的可能性，实现智能化检测。同时充分考虑了甲状腺结节的影像学特点，以缓解深度学习模型由于影像类别和病理类别不一致带来的干扰问题，从而让分类器更好的学习到合适的影像学特征，实现在分类器上对病变区域的精确分割。

Description

甲状腺结节识别与分割方法、系统、存储介质及设备
技术领域
本发明涉及人工智能技术领域，尤其涉及一种甲状腺结节识别与分割方法、系统、存储介质及设备。
背景技术
甲状腺结节是一种非常常见的临床疾病，在人口中的发病率约为19％至68％，其中有大约5％至15％为恶性。超声影像由于其成本低、对人体无损伤特点，是甲状腺结节检查的首选方案。目前，状腺结节的识别与分割主要分为人工识别分割和计算机辅助识别分割两种方法。
然而，由于超声图像的低对比度、包含噪声等特点，使得对于结节的识别对影像学医生的技术和经验有很高的要求，容易导致一定程度的漏检与误检情况。且现有的自动识别与分割技术尽管经过不断发展，分类的效果越来越好，但其忽视了影像学标准和病理学分级标准的不一致性：即有的图像从影像学标准应定义为恶性，但是甲状腺临床诊断的金标准—病理的结果是良性，因此容易会出现的状况。
发明内容
本发明实施例所要解决的技术问题在于，提供一种甲状腺结节识别与分割方法、系统、存储介质及设备，充分考虑了甲状腺结节的影像学特点，以缓解由于影像类别和病理类别不一致带来的干扰问题，从而让分类器更好的学习到合适的影像学特征，实现在分类器上对病变区域的精确分割。
为了解决上述技术问题，本发明实施例提供了一种甲状腺结节识别与分割方法，所述方法包括：
获取预处理样本，并输入至骨架网络进行样本特征提取；
将提取到的特征样本分别输入至第一分支及第二分支进行训练；
分别计算训练后的所述第一分支的分类损失及所述第二分支的分割损失；
通过所述分类损失及所述分割损失的线性加权得到总损失训练模型。
进一步地，将提取到的特征样本输入至第二分支进行训练的方法包括：
通过自适应阈值筛选出所述特征样本中的困难样本；
根据所述困难样本的数据分布选择对应的调度函数；其中，所述调度函数包括线性调度、凸函数调度、凹函数调度及混合凸函数凹函数调度；
通过所述自适应阈值及所述调度函数得到困难样本筛选阈值；
将通过所述困难样本筛选阈值筛选出的样本输入所述第二分支进行训。
进一步地，所述自适应阈值的模型为：
Figure BDA0003072522240000021
其中，N为样本总数，i为训练样本的索引，j为样本标签的索引，y’为样本的预测结果，y为样本的标签。
进一步地，通过所述第二分支对所述困难样本筛选阈值筛选出的样本进行训练的模型为：
Figure BDA0003072522240000022
Th＝Tada*Sf(h)
Figure BDA0003072522240000023
其中，CE为交叉熵损失，y’为样本的预测结果y为样本的标签，k为样本的索引，ck为样本的置信度，j为样本标签的索引，Tada为自适应阈值，Sf为调度函数，h为当前的迭代次数。
进一步地，所述第一分支的分类损失为：
Figure BDA0003072522240000031
其中，k为样本的索引，B为在当前样本中训练的批处理样本数大小；
所述第二分支的分割损失为：Lseg＝Ldice+αLbce，
其中，Ldice为Dice损失，Lbce为二值化交叉熵损失，α为超参数。
进一步地，所述总损失训练模型为：Ltotal＝Lcls+Lseg
其中，Lcls为分类损失，Lseg为分割损失。
进一步地，所述第二分支用于通过分类得到的概率来丢弃样本或者赋予样本伪标签；所述第一分支用于通过全局平均池化层和全连接层来得到可能的病变区域。
为了解决上述技术问题，本发明实施例还提供了甲状腺结节识别与分割系统，所述系统包括：
样本获取模块，用于获取预处理样本，并输入至骨架网络进行样本特征提取；
模型训练模块，用于将提取到的特征样本分别输入至第一分支及第二分支进行训练；
损失计算模块，用于分别计算训练后的所述第一分支的分类损失及所述第二分支的分割损失；
模型获取模块，用于通过所述分类损失及所述分割损失的线性加权得到总损失训练模型。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述步骤。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述步骤。
与现有技术相比，本发明实施例提供了一种甲状腺结节识别与分割方法，通过获取预处理样本，并输入至骨架网络进行样本特征提取；将提取到的特征样本分别输入至第一分支及第二分支进行训练；分别计算训练后的所述第一分支的分类损失及所述第二分支的分割损失；通过所述分类损失及所述分割损失的线性加权得到总损失训练模型。相比于现有技术，本发明能够充分考虑甲状腺结节的影像学特点，可以缓解深度学习模型由于影像类别和病理类别不一致带来的干扰问题，从而让分类器更好的学习到合适的影像学特征，实现了在分类器上对病变区域的精确分割。
附图说明
图1为本发明提供的一种甲状腺结节识别与分割方法的流程图；
图2为图1中步骤S12的具体流程图；
图3为本发明提供的一种甲状腺结节识别与分割方法的应用结构图为；
图4为本发明提供的一种甲状腺结节识别与分割系统的结构框图；
图5是本发明提供的终端设备的结构框图。
具体实施方式
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，所描述的实施例仅仅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，本技术领域普通技术人员在没有作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。
需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。
本发明提出的甲状腺结节识别与分割学习的框架主要由两部分组成：基于课程学习的样本调度和特征归因学习。基于课程学习的样本调度的过程中通过模型从更容易的样本学习到更难的样本来缓解不一致的标签问题。利用特征归因学习的方式使模型在特征学习过程中可以有效地约束其聚焦于病变区域，从而提取出更可靠、鲁棒的特征。
如图1至图3所示，本发明实施例提供一种甲状腺结节识别与分割方法，所述方法包括步骤S11至步骤S14：
步骤S11、获取预处理样本，并输入至骨架网络进行样本特征提取。
具体的，通过将获取的超声波图像进行数据筛选与清洗后得到预处理样本。在一次模型迭代过程中，首先将所述预处理样本输入至骨架网络进行特征提取。其中，本实施例中的所述骨架网络为(ResNet/DenseNet)。
步骤S12、将提取到的特征样本分别输入至第一分支及第二分支进行训练。
具体的，所述第二分支用于通过分类得到的概率来丢弃样本或者赋予样本伪标签；其中，恶性伪标签的概率为0.002，丢弃的概率为0.08，良性的概率为0.68。所述第一分支用于通过全局平均池化层和全连接层来得到可能的病变区域。
如上所述，通过将提取到的特征样本输入第一分支进行分割训练，从而提高所述第一分支对病变区域的分割精度及可靠性；通过将提取到的特征样本输入第二分支进行分类训练，从容提高所述第二分支分类可靠性，以缓解不一致的标签问题。
请参阅图2，步骤S12中将提取到的特征样本输入至第二分支进行训练的方法包括：
步骤S121，通过自适应阈值筛选出所述特征样本中的困难样本。
具体的，为提高课程学习的样本调度的可靠性及鲁棒性，因此课程学习的关键是在训练过程中找到困难样本，再从简单样本学习困难样本，其中困难样本的定义是高置信度错误分类的样本。
进一步地，在样本筛选的过程需要一个阈值来确定一个样本是否困难。由于不同模型的收敛速度不同，因此通过引入自适应阈值Tada来筛选对于深度学习模型在训练时的困难样本，所述自适应阈值的模型为：
Figure BDA0003072522240000061
其中，N为样本总数，i为训练样本的索引，j为样本标签的索引，y’为样本的预测结果，y为样本的标签。
步骤S122，根据所述困难样本的数据分布选择对应的调度函数。其中，所述调度函数包括线性调度、凸函数调度、凹函数调度及混合凸函数凹函数调度。
具体的，在课程学习策略中，随着训练过程的进行，模型需要适应越来越难的样本。与此同时，为了应对不同的数据分布对于调度函数Sf，通过分别使用下述不同的调度函数来训练深度神经网络模型，并将其性能进行对比，最终得到合适的调度函数。
线性调度为：
Figure BDA0003072522240000062
凸函数调度为：
Figure BDA0003072522240000063
凹函数调度为：
Figure BDA0003072522240000064
混合凸函数凹函数调度为：
Figure BDA0003072522240000065
其中，h为当前的迭代次数，H为总共的迭代次数。
步骤S123，通过所述自适应阈值及所述调度函数得到困难样本筛选阈值。
具体的，通过将上述的自适应阈值模型与调度函数Sf直接相乘，得到用于筛选困难样本的阈值Th＝Tada*Sf(h)。
步骤S124，将通过所述困难样本筛选阈值筛选出的样本输入所述第二分支进行训练。
具体的，考虑到困难样本可能为标签不一致的样本，因此需要通过伪标签方案来充分利用困难样本。因此可将标签不一致的困难样本，通过赋予他们与真实标签相反的伪标签来监督模型训练过程。其主要动机是模型仅依赖于成像特征来预测结果，具有相似成像特征的样本被分配到同一类别中，这将迫使模型学习到更加平滑的分类边界。
进一步地，通过所述第二分支对所述困难样本筛选阈值筛选出的样本进行训练的模型为：
Figure BDA0003072522240000071
Th＝Tada*Sf(h)
Figure BDA0003072522240000072
其中，CE为交叉熵损失，y’为样本的预测结果y为样本的标签，k为样本的索引，ck为样本的置信度，j为样本标签的索引，Tada为自适应阈值，Sf为调度函数，h为当前的迭代次数。
可以理解的，本发明基于课程学习的模型，自适应的区分困难样本，增强网络应对噪声标签的鲁棒性。在此基础上，在分类网络中加入基于病灶像素标注的监督，从而使得该模型在分类的同时能够对病灶进行分割，同时进一步增强模型对困难样本的识别能力。
步骤S13、分别计算训练后的所述第一分支的分类损失及所述第二分支的分割损失。
具体的，特征归因学习中，要求模型关注与类别相关的区域。在甲状腺结节识别与分割的任务中，要求分类模型能够关注甲状腺结节区域。因此使用甲状腺结节区域标注的掩膜，让模型在全监督的方式下学习特征归属映射(即类激活映射)，其分割损失由类激活映射与真实标签掩膜之间的Dice损失和二值交叉熵损失组成。
进一步地，所述第一分支的分类损失为：
Figure BDA0003072522240000073
其中，k为样本的索引，B为在当前样本中训练的批处理样本数大小；
所述第二分支的分割损失为：Lseg＝Ldice+αLbce，
其中，Ldice为Dice损失，Lbce为二值化交叉熵损失，α为超参数。
步骤S14、通过所述分类损失及所述分割损失的线性加权得到总损失训练模型。所述总损失训练模型能够对输入图像的甲状腺结节的良恶性类别和病变区域进行判断。
进一步地，所述总损失训练模型为：Ltotal＝Lcls+Lseg
其中，Lcls为分类损失，Lseg为分割损失。
具体的，本发明基于Python和PyTorch深度学习框架，在网络训练时采用随机梯度下降优化器，动量为0.9，权重衰减为0.0005，初始学习率为0.001并随训练轮数增加而降低。总计训练50轮次。联合使用交叉熵损失函数训练分类网络、二值交叉熵和Dice损失函数训练病灶区域监督网络。与人工检测方案相比，本发明减轻了对医生等人力资源的依赖，降低人为错误的可能性，实现智能化检测。与现有辅助识别与分割方案相比，本发明充分考虑了甲状腺结节的影像学特点，可以缓解深度学习模型由于影像类别和病理类别不一致带来的干扰问题，从而让分类器更好的学习到合适的影像学特征。除此之外，本发明技术方案可以应用在目前大多数深度学习模型中，例如ResNet、VGG、DenseNet，以进一步提高他们的分类性能。此外，本发明通过特征归因监督模块，实现在分类器上对病变区域的精确分割。
本发明实施例所提供的一种甲状腺结节识别与分割方法，通过获取预处理样本，并输入至骨架网络进行样本特征提取；将提取到的特征样本分别输入至第一分支及第二分支进行训练；分别计算训练后的所述第一分支的分类损失及所述第二分支的分割损失；通过所述分类损失及所述分割损失的线性加权得到总损失训练模型。相比于现有技术，本发明能够充分考虑甲状腺结节的影像学特点，可以缓解深度学习模型由于影像类别和病理类别不一致带来的干扰问题，从而让分类器更好的学习到合适的影像学特征，实现了在分类器上对病变区域的精确分割，满足了实际应用需求。
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图4所示，是本发明提供的一种甲状腺结节识别与分割系统，所述系统包括：
样本获取模块21，用于获取预处理样本，并输入至骨架网络进行样本特征提取。
模型训练模块22，用于将提取到的特征样本分别输入至第一分支及第二分支进行训练。其中，所述第二分支用于通过分类得到的概率来丢弃样本或者赋予样本伪标签；所述第一分支用于通过全局平均池化层和全连接层来得到可能的病变区域。
具体的，将提取到的特征样本输入至第二分支进行训练的方法包括：
通过自适应阈值筛选出所述特征样本中的困难样本；
根据所述困难样本的数据分布选择对应的调度函数；其中，所述调度函数包括线性调度、凸函数调度、凹函数调度及混合凸函数凹函数调度；
通过所述自适应阈值及所述调度函数得到困难样本筛选阈值；
将通过所述困难样本筛选阈值筛选出的样本输入所述第二分支进行训练。
进一步地，所述自适应阈值的模型为：
Figure BDA0003072522240000091
其中，N为样本总数，i为训练样本的索引，j为样本标签的索引，y’为样本的预测结果，y为样本的标签。
进一步地，通过所述第二分支对所述困难样本筛选阈值筛选出的样本进行训练的模型为：
Figure BDA0003072522240000101
Th＝Tada*Sf(h)
Figure BDA0003072522240000102
其中，CE为交叉熵损失，y’为样本的预测结果，y为样本的标签，k为样本的索引，ck为样本的置信度，j为样本标签的索引，Tada为自适应阈值，Sf为调度函数，h为当前的迭代次数。
损失计算模块23，用于分别计算训练后的所述第一分支的分类损失及所述第二分支的分割损失.
所述第一分支的分类损失为：
Figure BDA0003072522240000103
其中，k为样本的索引，B为在当前样本中训练的批处理样本数大小；
所述第二分支的分割损失为：Lseg＝Ldice+αLbce，
其中，Ldice为Dice损失，Lbce为二值化交叉熵损失，α为超参数。
模型获取模块24，用于通过所述分类损失及所述分割损失的线性加权得到总损失训练模型。
所述总损失训练模型为：Ltotal＝Lcls+Lseg
其中，Lcls为分类损失，Lseg为分割损失。
与现有技术相比，本发明实施例提供了一种甲状腺结节识别与分割装置，通过获取预处理样本，并输入至骨架网络进行样本特征提取；将提取到的特征样本分别输入至第一分支及第二分支进行训练；分别计算训练后的所述第一分支的分类损失及所述第二分支的分割损失；通过所述分类损失及所述分割损失的线性加权得到总损失训练模型。相比于现有技术，本发明能够充分考虑甲状腺结节的影像学特点，可以缓解深度学习模型由于影像类别和病理类别不一致带来的干扰问题，从而让分类器更好的学习到合适的影像学特征，实现了在分类器上对病变区域的精确分割，满足了实际应用需求。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的甲状腺结节识别与分割方法。
本发明实施例还提供了一种终端设备，参见图5所示，是本发明提供的一种终端设备的一个优选实施例的结构框图，所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的甲状腺结节识别与分割方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、······)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图5结构框图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种甲状腺结节识别与分割方法，其特征在于，所述方法包括：
获取预处理样本，并输入至骨架网络进行样本特征提取；
将提取到的特征样本分别输入至第一分支及第二分支进行训练；
分别计算训练后的所述第一分支的分类损失及所述第二分支的分割损失；所述第一分支的分类损失为：
Figure FDA0003734141150000011
所述第二分支的分割损失为：Lseg＝Ldice+αLbce，
Figure FDA0003734141150000012
Th＝Tada*Sf(h)
Figure FDA0003734141150000013
其中，CE为交叉熵损失，y’为样本的预测结果，y为样本的标签，k为样本的索引，ck为样本的置信度，j为样本标签的索引，Tada为自适应阈值，Sf为调度函数，h为当前的迭代次数，lk为第二分支对困难样本筛选阈值筛选出的样本进行训练的模型，k为样本的索引，B为在当前样本中训练的批处理样本数大小；Ldice为Dice损失，Lbce为二值化交叉熵损失，α为超参数，Lcls为分类损失，Lseg为分割损失；
通过所述分类损失及所述分割损失的线性加权得到总损失训练模型。
2.如权利要求1所述的甲状腺结节识别与分割方法，其特征在于，将提取到的特征样本输入至第二分支进行训练的方法包括：
通过自适应阈值筛选出所述特征样本中的困难样本；
根据所述困难样本的数据分布选择对应的调度函数；其中，所述调度函数包括线性调度、凸函数调度、凹函数调度及混合凸函数凹函数调度；
通过所述自适应阈值及所述调度函数得到困难样本筛选阈值；
将通过所述困难样本筛选阈值筛选出的样本输入所述第二分支进行训练。
3.如权利要求2所述的甲状腺结节识别与分割方法，其特征在于，所述自适应阈值的模型为：
Figure FDA0003734141150000021
其中，N为样本总数，i为训练样本的索引，j为样本标签的索引，y’为样本的预测结果，y为样本的标签。
4.如权利要求3所述的甲状腺结节识别与分割方法，其特征在于，所述总损失训练模型为：Ltotal＝Lcls+Lseg
其中，Lcls为分类损失，Lseg为分割损失。
5.如权利要求1所述的甲状腺结节识别与分割方法，其特征在于，所述第二分支用于通过分类得到的概率来丢弃样本或者赋予样本伪标签；所述第一分支用于通过全局平均池化层和全连接层来得到可能的病变区域。
6.一种甲状腺结节识别与分割系统，其特征在于，所述系统包括：
样本获取模块，用于获取预处理样本，并输入至骨架网络进行样本特征提取；
模型训练模块，用于将提取到的特征样本分别输入至第一分支及第二分支进行训练；
损失计算模块，用于分别计算训练后的所述第一分支的分类损失及所述第二分支的分割损失；所述第一分支的分类损失为：
Figure FDA0003734141150000022
所述第二分支的分割损失为：Lseg＝Ldice+αLbce，
Figure FDA0003734141150000031
Th＝Tada*Sf(h)
Figure FDA0003734141150000032
其中，CE为交叉熵损失，y’为样本的预测结果，y为样本的标签，k为样本的索引，ck为样本的置信度，j为样本标签的索引，Tada为自适应阈值，Sf为调度函数，h为当前的迭代次数，lk为第二分支对困难样本筛选阈值筛选出的样本进行训练的模型，k为样本的索引，B为在当前样本中训练的批处理样本数大小；Ldice为Dice损失，Lbce为二值化交叉熵损失，α为超参数，Lcls为分类损失，Lseg为分割损失；
模型获取模块，用于通过所述分类损失及所述分割损失的线性加权得到总损失训练模型。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至5中任一项所述的甲状腺结节识别与分割方法。
8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1至5中任一项所述的甲状腺结节识别与分割方法。
CN202110554622.9A 2021-05-19 2021-05-19 甲状腺结节识别与分割方法、系统、存储介质及设备 Active CN113177554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110554622.9A CN113177554B (zh) 2021-05-19 2021-05-19 甲状腺结节识别与分割方法、系统、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110554622.9A CN113177554B (zh) 2021-05-19 2021-05-19 甲状腺结节识别与分割方法、系统、存储介质及设备

Publications (2)

Publication Number Publication Date
CN113177554A CN113177554A (zh) 2021-07-27
CN113177554B true CN113177554B (zh) 2023-01-20

Family

ID=76929629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110554622.9A Active CN113177554B (zh) 2021-05-19 2021-05-19 甲状腺结节识别与分割方法、系统、存储介质及设备

Country Status (1)

Country Link
CN (1) CN113177554B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114187277B (zh) * 2021-12-14 2023-09-15 赛维森(广州)医疗科技服务有限公司 基于深度学习的甲状腺细胞学多种类型细胞的检测方法
CN114398979A (zh) * 2022-01-13 2022-04-26 四川大学华西医院 一种基于特征解耦的超声图像甲状腺结节分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084149A (zh) * 2019-04-09 2019-08-02 南京邮电大学 一种基于难样本四元组动态边界损失函数的人脸验证方法
CN111598875A (zh) * 2020-05-18 2020-08-28 北京小白世纪网络科技有限公司 甲状腺结节自动检测模型构建方法、系统及装置
CN112614108A (zh) * 2020-12-24 2021-04-06 中国人民解放军总医院第一医学中心 基于深度学习检测甲状腺超声图像中结节的方法和装置
CN112767329A (zh) * 2021-01-08 2021-05-07 北京安德医智科技有限公司 图像处理方法及装置、电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503236B (zh) * 2016-10-28 2020-09-11 北京百度网讯科技有限公司 基于人工智能的问题分类方法以及装置
CN111079862B (zh) * 2019-12-31 2023-05-16 西安电子科技大学 基于深度学习的甲状腺乳头状癌病理图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084149A (zh) * 2019-04-09 2019-08-02 南京邮电大学 一种基于难样本四元组动态边界损失函数的人脸验证方法
CN111598875A (zh) * 2020-05-18 2020-08-28 北京小白世纪网络科技有限公司 甲状腺结节自动检测模型构建方法、系统及装置
CN112614108A (zh) * 2020-12-24 2021-04-06 中国人民解放军总医院第一医学中心 基于深度学习检测甲状腺超声图像中结节的方法和装置
CN112767329A (zh) * 2021-01-08 2021-05-07 北京安德医智科技有限公司 图像处理方法及装置、电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Contralaterally Enhanced Networks for Thoracic Disease Detection;Guanbin Li et al.;《arXiv:2010.04483v1》;20201009;第1-2页 *
MULTI-TASK LEARNING FOR THYROID NODULE SEGMENTATION WITH THYROID REGION PRIOR;Haifan Gong et al.;《2021 IEEE 18th International Symposium on Biomedical Imaging (ISBI)》;20210416;第1-2页 *

Also Published As

Publication number Publication date
CN113177554A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN109934293B (zh) 图像识别方法、装置、介质及混淆感知卷积神经网络
JP6547069B2 (ja) 物体検出のためのサブカテゴリ認識機能付き畳み込みニューラルネットワーク
CN111696094B (zh) 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备
CN110135231B (zh) 动物面部识别方法、装置、计算机设备和存储介质
CN110598620B (zh) 基于深度神经网络模型的推荐方法和装置
CN111598875A (zh) 甲状腺结节自动检测模型构建方法、系统及装置
CN113177554B (zh) 甲状腺结节识别与分割方法、系统、存储介质及设备
BenTaieb et al. Multi-loss convolutional networks for gland analysis in microscopy
US20220092407A1 (en) Transfer learning with machine learning systems
US20200175324A1 (en) Segmentation of target areas in images
CN113673482B (zh) 基于动态标签分配的细胞抗核抗体荧光识别方法及系统
CN115601602A (zh) 癌症组织病理图像分类方法、系统、介质、设备及终端
CN114445670A (zh) 图像处理模型的训练方法、装置、设备及存储介质
CN117015796A (zh) 处理组织图像的方法和用于处理组织图像的系统
CN115601330A (zh) 一种基于多尺度空间反向注意力机制的结肠息肉分割方法
CN116721414A (zh) 一种医学图像细胞分割与跟踪方法
KR20100116404A (ko) 영상정보로부터 독립세포와 군집세포를 분류하는 방법 및 장치
CN111127400A (zh) 一种乳腺病变检测方法和装置
CN116844143B (zh) 基于边缘增强的胚胎发育阶段预测与质量评估系统
CN111325282B (zh) 适应多机型的乳腺x射线影像识别方法和装置
Koyun et al. Adversarial nuclei segmentation on H&E stained histopathology images
CN111554384A (zh) 基于先验感知和多任务学习的腺癌病理图像分析方法
Feng et al. Trusted multi-scale classification framework for whole slide image
CN116189130A (zh) 基于图像标注模型的车道线分割方法及装置
KR20190093752A (ko) 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템

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
GR01 Patent grant
GR01 Patent grant