CN113449781B - 一种甲状腺结节分类模型的生成方法及系统 - Google Patents

一种甲状腺结节分类模型的生成方法及系统 Download PDF

Info

Publication number
CN113449781B
CN113449781B CN202110673628.8A CN202110673628A CN113449781B CN 113449781 B CN113449781 B CN 113449781B CN 202110673628 A CN202110673628 A CN 202110673628A CN 113449781 B CN113449781 B CN 113449781B
Authority
CN
China
Prior art keywords
nodule
network
thyroid nodule
thyroid
classification
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
CN202110673628.8A
Other languages
English (en)
Other versions
CN113449781A (zh
Inventor
朱瑞星
杨尚跃
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.)
Shanghai Shenzhi Information Technology Co ltd
Original Assignee
Shanghai Shenzhi Information Technology Co ltd
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 Shanghai Shenzhi Information Technology Co ltd filed Critical Shanghai Shenzhi Information Technology Co ltd
Priority to CN202110673628.8A priority Critical patent/CN113449781B/zh
Publication of CN113449781A publication Critical patent/CN113449781A/zh
Application granted granted Critical
Publication of CN113449781B publication Critical patent/CN113449781B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种甲状腺结节分类模型的生成方法，包括：步骤S1，针对每个结节类型，分别由样本数据库中提取多个甲状腺结节图像并加入对应的一样本子集；步骤S2，根据结节类型构建一甲状腺结节分类网络，甲状腺结节分类网络包括多个特征网络，特征网络与结节类型一一对应；步骤S3，根据各样本子集分别对具有相同结节类型的特征网络进行训练得到各特征网络对应的网络参数，并将网络参数配置于甲状腺结节分类网络中；步骤S4，根据所有样本子集中的各甲状腺结节图像对甲状腺结节分类网络进行训练并在训练过程中保持网络参数不变，在训练完成后得到甲状腺结节分类模型。有益效果是解决了现有甲状腺结节模型的识别精确度过低和假阳性率过高的问题。

Description

一种甲状腺结节分类模型的生成方法及系统
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种甲状腺结节分类模型的生成方法及系统。
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。大部分甲状腺结节是良性的，但少数甲状腺结节一开始就是恶性的，还有一部分结节会从良性转变为恶性。甲状腺结节转变为癌的比例为5％，而如果能及早发现、尽快治疗，大部分患者都能长期存活下去。对于甲状腺结节的检查目前主要依靠超声，超声的好处是便宜、灵活、实时、无副作用，但它的缺点是图像不清楚、造影比较大，这对医生的要求就比较高。由于医生通过甲状腺超声图像诊断甲状腺结节时存在的经验性差异问题以及工作量大的问题，引入人工智能模型对甲状腺结节进行辅助识别成为一种趋势。
现有甲状腺结节超声的人工智能识别模型在训练时都是将所有类型的结节图像放到一起，同时作为人工智能识别模型的训练样本集，并使用的相同的特征提取网络、特征解码网络和损失函数，这样的方法，得到的人工智能识别模型识别准确度较低，假阳性较高。而由于甲状腺结节图像的形状、大小、纹理分布情况较多，当直接将所有类型的甲状腺结节样本图像同时放到模型中训练时，模型不容易同时学到各个类型的结节的特征值。若使用较小网络的模型，会导致模型识别准确率过低；若使用较大的网络模型，会导致模型假阳性过高，使用目前已有的模型网络结构得到的甲状腺结节识别模型，无法达到临床甲状腺结节诊断的需求。
发明内容
针对现有技术中存在的问题，本发明提供一种甲状腺结节分类模型的生成方法，预先配置一样本数据库，所述样本数据库中存储有预先获取的标注有结节类型的多个甲状腺结节图像；
则所述生成方法包括：
步骤S1，针对每个所述结节类型，分别由所述样本数据库中提取多个所述甲状腺结节图像并加入对应的一样本子集；
步骤S2，根据所述结节类型构建一甲状腺结节分类网络，所述甲状腺结节分类网络包括多个特征网络，所述特征网络与所述结节类型一一对应；
步骤S3，根据各所述样本子集分别对具有相同所述结节类型的所述特征网络进行训练得到各所述特征网络对应的网络参数，并将所述网络参数配置于所述甲状腺结节分类网络中；
步骤S4，根据所有所述样本子集中的各所述甲状腺结节图像对所述甲状腺结节分类网络进行训练并在训练过程中保持所述网络参数不变，在训练完成后得到甲状腺结节分类模型。
优选的，执行所述步骤S4之后还包括一模型优化过程，预先针对每个所述结节类型，分别由所述样本数据库中提取除各所述样本子集之外的多个所述甲状腺结节图像并加入一测试集；所述模型优化过程包括：
步骤A1，将所述测试集中的各所述甲状腺结节图像分别输入所述甲状腺结节分类模型进行分类，并根据分类结果处理得到所述甲状腺结节分类模型的模型效能；
步骤A2，判断所述模型效能是否满足预设效能：
若是，则退出；
若否，则对所述甲状腺结节分类网络进行优化，随后转向步骤S3。
优选的，所述步骤S2中，根据所述结节类型和预先配置的超参数构建所述甲状腺结节分类网络；
则所述步骤A2中，对所述甲状腺结节分类网络进行优化包括对所述超参数进行调整，和/或对所述特征网络的网络结构进行调整。
优选的，所述甲状腺结节分类网络包括一结节特征提取网络，所述结节特征提取网络的输入端为所述甲状腺结节分类网络的输入端，所述结节特征提取网络的输出端连接各所述特征网络，各所述特征网络的输出端连接一激活层，所述激活层的输出端为所述甲状腺结节分类网络的输出端。
优选的，所述结节类型包括小结节，和/或边界清楚内部不清楚结节，和/或边界清楚内部清楚结节，和/或边界不清楚内部清楚结节，和/或边界不清楚内部不清楚结节，和/或弥散性结节。
本发明还提供一种甲状腺结节分类模型的生成系统，应用上述的生成方法，所述生成系统包括：
样本数据库，用于存储预先获取的标注有结节类型的多个甲状腺结节图像；
样本提取模块，连接所述样本数据库，用于针对每个所述结节类型，分别由所述样本数据库中提取多个所述甲状腺结节图像并加入对应的一样本子集；
网络构建模块，连接所述样本提取模块，用于根据所述结节类型构建一甲状腺结节分类网络，所述甲状腺结节分类网络包括多个特征网络，所述特征网络与所述结节类型一一对应；
第一训练模块，分别连接所述样本提取模块和所述网络构建模块，用于根据各所述样本子集分别对具有相同所述结节类型的所述特征网络进行训练得到各所述特征网络对应的网络参数，并将所述网络参数配置于所述甲状腺结节分类网络中；
第二训练模块，分别连接所述样本提取模块和所述第一训练模块，用于根据所有所述样本子集中的各所述甲状腺结节图像对所述甲状腺结节分类网络进行训练并在训练过程中保持所述网络参数不变，在训练完成后得到甲状腺结节分类模型。
优选的，还包括一模型优化模块，分别连接所述样本数据库、所述网络构建模块和所述第二训练模块，所述模型优化模块包括：
提取单元，用于针对每个所述结节类型，分别由所述样本数据库中提取除各所述样本子集之外的多个所述甲状腺结节图像并加入一测试集；
预测单元，连接所述提取单元，用于将所述测试集中的各所述甲状腺结节图像分别输入所述甲状腺结节分类模型进行分类，并根据分类结果处理得到所述甲状腺结节分类模型的模型效能；
优化单元，连接所述预测单元，用于在所述模型效能不满足预设效能时对所述甲状腺结节分类网络进行优化，随后重新训练优化后的所述甲状腺结节分类网络。
优选的，所述网络构建模块根据所述结节类型和预先配置的超参数构建所述甲状腺结节分类网络；
则所述优化单元对所述甲状腺结节分类网络进行优化包括对所述超参数进行调整，和/或对所述特征网络的网络结构进行调整。
优选的，所述甲状腺结节分类网络包括一结节特征提取网络，所述结节特征提取网络的输入端为所述甲状腺结节分类网络的输入端，所述结节特征提取网络的输出端连接各所述特征网络，各所述特征网络的输出端连接一激活层，所述激活层的输出端为所述甲状腺结节分类网络的输出端。
优选的，所述结节类型包括小结节，和/或边界清楚内部不清楚结节，和/或边界清楚内部清楚结节，和/或边界不清楚内部清楚结节，和/或边界不清楚内部不清楚结节，和/或弥散性结节。
上述技术方案具有如下优点或有益效果：通过构建新型的甲状腺结节分类网络，以分别训练学习甲状腺结节的各个结节类型的结节特征，使得训练得到的甲状腺结节分类模型的识别精确度和假阳性率均已达到临床诊断的要求，解决了现有甲状腺结节模型的识别精确度过低和假阳性率过高的问题。
附图说明
图1为本发明的较佳的实施例中，一种甲状腺结节分类模型的生成方法的流程示意图；
图2-4为本发明的较佳的实施例中，特征网络的网络结构示意图；
图5为本发明的较佳的实施例中，模型优化过程的流程示意图；
图6为本发明的较佳的实施例中，甲状腺结节分类网络的网络结构示意图；
图7为本发明的较佳的实施例中，一种甲状腺结节分类模型的生成系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式，只要符合本发明的主旨，则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种甲状腺结节分类模型的生成方法，预先配置一样本数据库，样本数据库中存储有预先获取的标注有结节类型的多个甲状腺结节图像；
如图1所示，则生成方法包括：
步骤S1，针对每个结节类型，分别由样本数据库中提取多个甲状腺结节图像并加入对应的一样本子集；
步骤S2，根据结节类型构建一甲状腺结节分类网络，甲状腺结节分类网络包括多个特征网络，特征网络与结节类型一一对应；
步骤S3，根据各样本子集分别对具有相同结节类型的特征网络进行训练得到各特征网络对应的网络参数，并将网络参数配置于甲状腺结节分类网络中；
步骤S4，根据所有样本子集中的各甲状腺结节图像对甲状腺结节分类网络进行训练并在训练过程中保持网络参数不变，在训练完成后得到甲状腺结节分类模型。
具体地，本实施例中，上述样本数据库中优选包含甲状腺结节的所有结节类型的甲状腺结节图像，分便于后续分别训练学习各个类型的结节特征，首先构建多个样本子集，并由样本数据库中对应提取相应的甲状腺结节图像，每个样本子集分别对应存储一种结节类型的甲状腺结节图像，换言之，若结节类型为四个，则对应的样本子集也为四个。上述样本子集的个数可以根据需求自行配置，若只需要识别样本数据库中的三种结节类型，则对应的样本子集为三个，且分别对应存储需要识别的三种结节类型的甲状腺结节图像，以满足不同识别需求。优选的，样本数据库中存储的标注有结节类型的多个甲状腺结节图像中，结节类型优选为专业医生通过观察甲状腺结节图像中结节的形态特征，根据形态特征的差异大小进行标注。
进一步地，为实现分别训练学习各个结节类型的结节特征，需要构建新型的甲状腺结节分类网络，该甲状腺结节分类网络包括多个特征网络，该特征网络的数量与结节类型的数量一致，若只需要识别样本库中的三种结节类型，该特征网络的数量为三个。进一步优选的，该特征网络为特征解码网络，对应于不同的结节类型，优选配置不同的特征解码网络，本实施例中，结节类型对应的结节特征越简单，则相应配置的特征解码网络的网络结构越简单，结节类型对应的结节尺寸越大，则相应配置的特征解码网络的网络结构中包含的特征网络层数越少。
更进一步地，在甲状腺结节分类网络构建完成且作为训练样本的样本子集构建完成后，本实施例中，在后续进行模型训练时，先根据各样本子集分别训练相应的特征网络，随后保持特征网络的网络参数不变，采用所有样本子集训练整体网络得到甲状腺结节分类模型。其中，模型的训练过程可以通过机器学习平台实现，优选采用机器学习平台提供的相应函数接口实现保持特征网络的网络参数不变，上述机器学习平台可以是TensorFlow平台。优选的，模型训练过程中，优选在计算损失函数的基础上进行反向传播梯度描述模型的预测值与真实值之间的差别，进而在训练过程中进行模型参数的调整。其中，损失函数包括但不限于二值交叉熵损失函数、Dice Loss、IoU Loss、Tversky Loss。
作为优选的实施方式，上述特征网络可以采用如图2所示的网络结构，包括一输入端100，输入端100依次连接一第一卷积层101、一第二卷积层102、一第一最大池化层103、一第三卷积层104和一第二最大池化层105，该第二最大池化层105的输出端连接一第四卷积层106，第四卷积层106的输出端连接一第一上采样层107，该第一上采样层107的输出和第三卷积层104的输出相加后作为一第五卷积层108的输入，第五卷积层108的输出连接一第二上采样层109，该第二上采样层109的输出和第二卷积层102的输出相加后作为一第六卷积层110的输入，第六卷积层110连接一输出端111。
以输入端的甲状腺结节图像的大小为128*128*1为例，经第一卷积层101和第二卷积层102处理得到128*128*16的特征图，经第一最大池化层103处理得到64*64*16的特征图，经第三卷积层104处理得到64*64*16的特征图，经第二最大池化层105处理得到32*32*16的特征图，经第四卷积层106处理得到32*32*32的特征图，随后经第一上采样层107处理得到64*64*32的特征图，该64*64*32的特征图与第三卷积层104处理得到的64*64*16的特征图进行叠加得到64*64*48的特征图，随后经第五卷积层108处理得到64*64*16的特征图，经第二上采样层109处理得到128*128*16的特征图，该128*128*16的特征图与第二卷积层102处理得到的128*128*16的特征图叠加得到128-128*32的特征图，随后经第六卷积层110处理得到128*128*16的特征图，最终输出端输出128*128*2的特征图，最为激活层的输入。
作为优选的实施方式，上述特征网络可以采用如图3所示的网络结构，相对于图2中的网络结构，该特征网络的层数相对增加，其中，在第二最大池化层105的输出端与第四卷积层106的输入端之间增加依次连接的第七卷积层112和第三最大池化层113，同样地，在第四卷积层106的输出端与第一上采样层107的输入端之间增加连接第四卷积层106输出端的一第三上采样层114，且第三上采样层114的输出与第七卷积层112的输出叠加后作为第八卷积层115的输入，第八卷积层115的输出作为第一上采样层107的输入。
同样以输入端的甲状腺结节图像的大小为128*128*1为例，最终输出端111输出128*128*2的特征图，具体的图像处理过程参见图3，此处不再赘述。
作为优选的实施方式，上述特征网络可以采用如图4所示的网络结构，相对于图3中的网络结构，该特征网络的层数相对增加，其中，在第三最大池化层113的输出端与第四卷积层106的输入端之间增加依次连接的第九卷积层116和第四最大池化层117，同样地，在第四卷积层106的输出端与第三上采样层114的输入端之间增加连接第四卷积层106输出端的一第四上采样层118，且第四上采样层118的输出与第九卷积层116的输出叠加后作为第十卷积层119的输入，第十卷积层119的输出作为第三上采样层114的输入。
同样以输入端的甲状腺结节图像的大小为128*128*1为例，最终输出端111输出128*128*2的特征图，具体的图像处理过程参见图4，此处不再赘述。
本发明的较佳的实施例中，执行步骤S4之后还包括一模型优化过程，预先针对每个结节类型，分别由样本数据库中提取除各样本子集之外的多个甲状腺结节图像并加入一测试集；如图5所示，模型优化过程包括：
步骤A1，将测试集中的各甲状腺结节图像分别输入甲状腺结节分类模型进行分类，并根据分类结果处理得到甲状腺结节分类模型的模型效能；
步骤A2，判断模型效能是否满足预设效能：
若是，则退出；
若否，则对甲状腺结节分类网络进行优化，随后转向步骤S3。
具体地，本实施例中，上述模型效能可以是甲状腺结节分类模型的分类结果的准确率，上述预设效能可以是预设的一阈值，在准确率不小于该阈值时表示模型效能满足预设效能。
本发明的较佳的实施例中，步骤S2中，根据结节类型和预先配置的超参数构建甲状腺结节分类网络；
则步骤A2中，对甲状腺结节分类网络进行优化包括对超参数进行调整，和/或对特征网络的网络结构进行调整。
本发明的较佳的实施例中，如图6所示，甲状腺结节分类网络包括一结节特征提取网络200，结节特征提取网络200的输入端为甲状腺结节分类网络的输入端，结节特征提取网络200的输出端连接各特征网络201，各特征网络201的输出端连接一激活层202，激活202层的输出端为甲状腺结节分类网络的输出端。
本发明的较佳的实施例中，结节类型包括小结节，和/或边界清楚内部不清楚结节，和/或边界清楚内部清楚结节，和/或边界不清楚内部清楚结节，和/或边界不清楚内部不清楚结节，和/或弥散性结节。
本发明还提供一种甲状腺结节分类模型的生成系统，应用上述的生成方法，如图7所示，生成系统包括：
样本数据库1，用于存储预先获取的标注有结节类型的多个甲状腺结节图像；
样本提取模块2，连接样本数据库1，用于针对每个结节类型，分别由样本数据库中提取多个甲状腺结节图像并加入对应的一样本子集；
网络构建模块3，连接样本提取模块2，用于根据结节类型构建一甲状腺结节分类网络，甲状腺结节分类网络包括多个特征网络，特征网络与结节类型一一对应；
第一训练模块4，分别连接样本提取模块2和网络构建模块3，用于根据各样本子集分别对具有相同结节类型的特征网络进行训练得到各特征网络对应的网络参数，并将网络参数配置于甲状腺结节分类网络中；
第二训练模块5，分别连接样本提取模块2和第一训练模块4，用于根据所有样本子集中的各甲状腺结节图像对甲状腺结节分类网络进行训练并在训练过程中保持网络参数不变，在训练完成后得到甲状腺结节分类模型。
本发明的较佳的实施例中，还包括一模型优化模块6，分别连接样本数据库1、网络构建模块3和第二训练模块5，模型优化模块6包括：
提取单元61，用于针对每个结节类型，分别由样本数据库中提取除各样本子集之外的多个甲状腺结节图像并加入一测试集；
预测单元62，连接提取单元61，用于将测试集中的各甲状腺结节图像分别输入甲状腺结节分类模型进行分类，并根据分类结果处理得到甲状腺结节分类模型的模型效能；
优化单元63，连接预测单元62，用于在模型效能不满足预设效能时对甲状腺结节分类网络进行优化，随后重新训练优化后的甲状腺结节分类网络。
本发明的较佳的实施例中，网络构建模块3根据结节类型和预先配置的超参数构建甲状腺结节分类网络；
则优化单元63对甲状腺结节分类网络进行优化包括对超参数进行调整，和/或对特征网络的网络结构进行调整。
本发明的较佳的实施例中，甲状腺结节分类网络包括一结节特征提取网络，结节特征提取网络的输入端为甲状腺结节分类网络的输入端，结节特征提取网络的输出端连接各特征网络，各特征网络的输出端连接一激活层，激活层的输出端为甲状腺结节分类网络的输出端。
本发明的较佳的实施例中，结节类型包括小结节，和/或边界清楚内部不清楚结节，和/或边界清楚内部清楚结节，和/或边界不清楚内部清楚结节，和/或边界不清楚内部不清楚结节，和/或弥散性结节。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (9)

1.一种甲状腺结节分类模型的生成方法，其特征在于，预先配置一样本数据库，所述样本数据库中存储有预先获取的标注有结节类型的多个甲状腺结节图像；
则所述生成方法包括：
步骤S1，针对每个所述结节类型，分别由所述样本数据库中提取多个所述甲状腺结节图像并加入对应的一样本子集；
步骤S2，根据所述结节类型构建一甲状腺结节分类网络，所述甲状腺结节分类网络包括多个特征网络，所述特征网络与所述结节类型一一对应；
步骤S3，根据各所述样本子集分别对具有相同所述结节类型的所述特征网络进行训练得到各所述特征网络对应的网络参数，并将所述网络参数配置于所述甲状腺结节分类网络中；
步骤S4，根据所有所述样本子集中的各所述甲状腺结节图像对所述甲状腺结节分类网络进行训练并在训练过程中保持所述网络参数不变，在训练完成后得到甲状腺结节分类模型；
所述甲状腺结节分类网络包括一结节特征提取网络，所述结节特征提取网络的输入端为所述甲状腺结节分类网络的输入端，所述结节特征提取网络的输出端连接各所述特征网络，各所述特征网络的输出端连接一激活层，所述激活层的输出端为所述甲状腺结节分类网络的输出端。
2.根据权利要求1所述的生成方法，其特征在于，执行所述步骤S4之后还包括一模型优化过程，预先针对每个所述结节类型，分别由所述样本数据库中提取除各所述样本子集之外的多个所述甲状腺结节图像并加入一测试集；所述模型优化过程包括：
步骤A1，将所述测试集中的各所述甲状腺结节图像分别输入所述甲状腺结节分类模型进行分类，并根据分类结果处理得到所述甲状腺结节分类模型的模型效能；
步骤A2，判断所述模型效能是否满足预设效能：
若是，则退出；
若否，则对所述甲状腺结节分类网络进行优化，随后转向步骤S3。
3.根据权利要求2所述的生成方法，其特征在于，所述步骤S2中，根据所述结节类型和预先配置的超参数构建所述甲状腺结节分类网络；
则所述步骤A2中，对所述甲状腺结节分类网络进行优化包括对所述超参数进行调整，和/或对所述特征网络的网络结构进行调整。
4.根据权利要求1所述的生成方法，其特征在于，所述结节类型包括小结节，和/或边界清楚内部不清楚结节，和/或边界清楚内部清楚结节，和/或边界不清楚内部清楚结节，和/或边界不清楚内部不清楚结节，和/或弥散性结节。
5.一种甲状腺结节分类模型的生成系统，其特征在于，应用如权利要求1-4中任意一项所述的生成方法，所述生成系统包括：
样本数据库，用于存储预先获取的标注有结节类型的多个甲状腺结节图像；
样本提取模块，连接所述样本数据库，用于针对每个所述结节类型，分别由所述样本数据库中提取多个所述甲状腺结节图像并加入对应的一样本子集；
网络构建模块，连接所述样本提取模块，用于根据所述结节类型构建一甲状腺结节分类网络，所述甲状腺结节分类网络包括多个特征网络，所述特征网络与所述结节类型一一对应；
第一训练模块，分别连接所述样本提取模块和所述网络构建模块，用于根据各所述样本子集分别对具有相同所述结节类型的所述特征网络进行训练得到各所述特征网络对应的网络参数，并将所述网络参数配置于所述甲状腺结节分类网络中；
第二训练模块，分别连接所述样本提取模块和所述第一训练模块，用于根据所有所述样本子集中的各所述甲状腺结节图像对所述甲状腺结节分类网络进行训练并在训练过程中保持所述网络参数不变，在训练完成后得到甲状腺结节分类模型。
6.根据权利要求5所述的生成系统，其特征在于，还包括一模型优化模块，分别连接所述样本数据库、所述网络构建模块和所述第二训练模块，所述模型优化模块包括：
提取单元，用于针对每个所述结节类型，分别由所述样本数据库中提取除各所述样本子集之外的多个所述甲状腺结节图像并加入一测试集；
预测单元，连接所述提取单元，用于将所述测试集中的各所述甲状腺结节图像分别输入所述甲状腺结节分类模型进行分类，并根据分类结果处理得到所述甲状腺结节分类模型的模型效能；
优化单元，连接所述预测单元，用于在所述模型效能不满足预设效能时对所述甲状腺结节分类网络进行优化，随后重新训练优化后的所述甲状腺结节分类网络。
7.根据权利要求6所述的生成系统，其特征在于，所述网络构建模块根据所述结节类型和预先配置的超参数构建所述甲状腺结节分类网络；
则所述优化单元对所述甲状腺结节分类网络进行优化包括对所述超参数进行调整，和/或对所述特征网络的网络结构进行调整。
8.根据权利要求5所述的生成系统，其特征在于，所述甲状腺结节分类网络包括一结节特征提取网络，所述结节特征提取网络的输入端为所述甲状腺结节分类网络的输入端，所述结节特征提取网络的输出端连接各所述特征网络，各所述特征网络的输出端连接一激活层，所述激活层的输出端为所述甲状腺结节分类网络的输出端。
9.根据权利要求5所述的生成系统，其特征在于，所述结节类型包括小结节，和/或边界清楚内部不清楚结节，和/或边界清楚内部清楚结节，和/或边界不清楚内部清楚结节，和/或边界不清楚内部不清楚结节，和/或弥散性结节。
CN202110673628.8A 2021-06-17 2021-06-17 一种甲状腺结节分类模型的生成方法及系统 Active CN113449781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110673628.8A CN113449781B (zh) 2021-06-17 2021-06-17 一种甲状腺结节分类模型的生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110673628.8A CN113449781B (zh) 2021-06-17 2021-06-17 一种甲状腺结节分类模型的生成方法及系统

Publications (2)

Publication Number Publication Date
CN113449781A CN113449781A (zh) 2021-09-28
CN113449781B true CN113449781B (zh) 2023-04-07

Family

ID=77811635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110673628.8A Active CN113449781B (zh) 2021-06-17 2021-06-17 一种甲状腺结节分类模型的生成方法及系统

Country Status (1)

Country Link
CN (1) CN113449781B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664924A (zh) * 2018-05-10 2018-10-16 东南大学 一种基于卷积神经网络的多标签物体识别方法
CN109886179A (zh) * 2019-02-18 2019-06-14 深圳视见医疗科技有限公司 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统
CN110942144A (zh) * 2019-12-05 2020-03-31 深圳牛图科技有限公司 集自动化训练、校验、重构于一体的神经网络构建方法
CN111080643A (zh) * 2019-12-31 2020-04-28 上海鹰瞳医疗科技有限公司 基于眼底图像的糖尿病及相关疾病的分类方法及设备
CN111310852A (zh) * 2020-03-08 2020-06-19 桂林电子科技大学 一种图像分类方法及系统
CN111368886A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种基于样本筛选的无标注车辆图片分类方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019167884A1 (ja) * 2018-02-28 2019-09-06 富士フイルム株式会社 機械学習方法及び装置、プログラム、学習済みモデル、並びに判別装置
CN109285105B (zh) * 2018-09-05 2023-08-11 北京字节跳动网络技术有限公司 水印检测方法、装置、计算机设备和存储介质
CN109325538B (zh) * 2018-09-29 2020-12-22 北京京东尚科信息技术有限公司 目标检测方法、装置和计算机可读存储介质
CN109934343A (zh) * 2019-02-25 2019-06-25 中国科学院自动化研究所 基于正交投影矩阵的人工神经网络优化方法、系统、装置
CN110490242B (zh) * 2019-08-12 2024-03-29 腾讯医疗健康(深圳)有限公司 图像分类网络的训练方法、眼底图像分类方法及相关设备
CN110570421B (zh) * 2019-09-18 2022-03-22 北京鹰瞳科技发展股份有限公司 多任务的眼底图像分类方法和设备
CN111429421B (zh) * 2020-03-19 2021-08-27 推想医疗科技股份有限公司 模型生成方法、医学图像分割方法、装置、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664924A (zh) * 2018-05-10 2018-10-16 东南大学 一种基于卷积神经网络的多标签物体识别方法
CN109886179A (zh) * 2019-02-18 2019-06-14 深圳视见医疗科技有限公司 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统
CN110942144A (zh) * 2019-12-05 2020-03-31 深圳牛图科技有限公司 集自动化训练、校验、重构于一体的神经网络构建方法
CN111080643A (zh) * 2019-12-31 2020-04-28 上海鹰瞳医疗科技有限公司 基于眼底图像的糖尿病及相关疾病的分类方法及设备
CN111368886A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种基于样本筛选的无标注车辆图片分类方法
CN111310852A (zh) * 2020-03-08 2020-06-19 桂林电子科技大学 一种图像分类方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何正义等.一种集成卷积神经网络和深信网的步态识别与模拟方法.《山东大学学报(工学版)》.2018,全文. *
关健等.基于主成分分析的无监督异常检测.《计算机研究与发展》.2004,全文. *

Also Published As

Publication number Publication date
CN113449781A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN110008971B (zh) 图像处理方法、装置、计算机可读存储介质及计算机设备
CN108596884B (zh) 一种胸部ct图像中的食管癌分割方法
CN107066934A (zh) 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备
CN113706545B (zh) 一种基于双分支神经判别降维的半监督图像分割方法
CN111524144B (zh) 一种基于GAN和Unet网络的肺结节智能诊断方法
CN115100467B (zh) 一种基于核注意力网络的病理全切片图像分类方法
Brancati et al. Gigapixel histopathological image analysis using attention-based neural networks
Liu et al. Gastric pathology image recognition based on deep residual networks
Bagheri et al. Deep neural network based polyp segmentation in colonoscopy images using a combination of color spaces
CN113177950A (zh) 基于半监督对抗学习的冠脉造影血管图像分割的方法
CN116563707A (zh) 一种基于图文多模态特征融合的枸杞虫害识别方法
CN112381846A (zh) 一种基于非对称网络的超声甲状腺结节分割方法
CN111340133A (zh) 一种基于深度卷积神经网络的图像分类处理方法
CN113449781B (zh) 一种甲状腺结节分类模型的生成方法及系统
CN111612739B (zh) 一种基于深度学习的脑梗死分类方法
CN113657479A (zh) 一种新型多尺度深宽结合的病理图片分类方法、系统及介质
EP4318497A1 (en) Training method for training artificial neural network for determining breast cancer lesion area, and computing system performing same
Roni et al. Deep convolutional comparison architecture for breast cancer binary classification
CN114419249A (zh) 物体三维形状重建方法、装置、设备及存储介质
CN113269702A (zh) 基于跨尺度特征融合的低曝光静脉图像增强方法
CN113361612A (zh) 一种基于深度学习的心磁图分级方法
Vanmore et al. Liver Lesions Classification System using CNN with Improved Accuracy
CN113205534B (zh) 基于U-Net++的视网膜血管分割方法和装置
Luo et al. HybridNetSeg: A compact hybrid network for retinal vessel segmentation
Sallam et al. Skin Lesions Recognition System Using Various Pre-trained Models

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