CN115641486A - 一种超声甲状腺结节识别装置、方法、设备及存储介质 - Google Patents
一种超声甲状腺结节识别装置、方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115641486A CN115641486A CN202211378213.9A CN202211378213A CN115641486A CN 115641486 A CN115641486 A CN 115641486A CN 202211378213 A CN202211378213 A CN 202211378213A CN 115641486 A CN115641486 A CN 115641486A
- Authority
- CN
- China
- Prior art keywords
- thyroid
- ultrasonic
- training
- thyroid nodule
- network model
- 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
- 208000009453 Thyroid Nodule Diseases 0.000 title claims abstract description 121
- 208000024770 Thyroid neoplasm Diseases 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 87
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 63
- 238000002604 ultrasonography Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims description 11
- 239000000523 sample Substances 0.000 claims description 9
- 230000005764 inhibitory process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 22
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 201000002510 thyroid cancer Diseases 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请涉及图像处理技术领域，公开了一种超声甲状腺结节识别装置、方法、设备及存储介质，包括：数据获取模块，用于获取甲状腺超声图像数据集，并划分出训练集；模型构建模块，用于构建基于CBAM卷积块注意力模块的SSD网络模型；模型训练模块，用于利用训练集对SSD网络模型进行训练；模型推理模块，用于将待测甲状腺超声图像输入至训练完成的SSD网络模型进行识别，识别出待测图像中的甲状腺结节并标记甲状腺结节的位置。这样可通过云平台获取大型数据集，并构建基于注意力机制的多尺度检测网络，利用训练集训练出更具有鲁棒性的网络模型，快速准确识别出甲状腺结节的位置，提高了对超声甲状腺结节的检测性能。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种超声甲状腺结节识别装置、方法、设备及存储介质。
背景技术
在过去的几十年里，甲状腺癌的发病率显著增加。早期检测出甲状腺结节对于降低甲状腺癌的发病率和死亡风险至关重要。在多种成像模式中，超声因着无创、实时、低成本的优势，已经成为临床上甲状腺结节检查的首选。然而，超声检查结果强烈依赖于放射科医生的个人经验，容易产生误差。
目前，为了应对这一挑战，CAS(Computer Aided System，计算机辅助系统)技术被引入到超声甲状腺结节图像识别领域。CAS方法大体上可以分为两类：基于传统CAS的方法和基于深度学习的方法。其中，基于传统CAS的方法是利用人工选择的特征，再基于机器学习和统计学建立分类器进行甲状腺结节的识别，但是这种方法侧重于人工设计或选择更好的特征，费时且主观。而基于深度学习的方法是将甲状腺结节的超声图片和相应的标签输入网络模型，自动学习特征训练网络，并做出最终结果，但是由于甲状腺结节超声图像采集难度大，现有基于深度学习的CAS技术都存在参与模型训练的超声图像少、数据来源于单一医疗中心等问题，大大限制了超声甲状腺结节检测性能的提升，不能快速准确识别甲状腺结节位置。
发明内容
有鉴于此，本发明的目的在于提供一种超声甲状腺结节识别装置、方法、设备及存储介质，可以快速准确识别出甲状腺结节的位置，提高对超声甲状腺结节的检测性能。其具体方案如下：
一种超声甲状腺结节识别装置，用于云平台，包括：
数据获取模块，用于获取甲状腺超声图像数据集，并划分出训练集；
模型构建模块，用于构建基于CBAM卷积块注意力模块的SSD网络模型；
模型训练模块，用于利用所述训练集对所述SSD网络模型进行训练；
模型推理模块，用于将待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。
优选地，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述模型构建模块包括：
骨干网络建立单元，用于根据ResNet50网络中的卷积层和三个残差层，建立所述SSD网络模型的骨干网络；在所述骨干网络中的卷积层后加入CBAM卷积块注意力模块。
优选地，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述骨干网络建立单元，具体用于在所述骨干网络中的卷积层后依次加入通道注意力模块和空间注意力模块，以分别利用特征的通道间和空间关系生成注意特征图。
优选地，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述模型构建模块还包括：
预测特征层建立单元，用于建立五个额外添加层；将五个所述额外添加层与所述骨干网络中的最后一个残差层组成六个预测特征层，以预测不同尺度和比例的甲状腺结节。
优选地，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述模型构建模块还包括：
抑制层建立单元，用于建立非极大值抑制层，并与六个所述预测特征层相连。
优选地，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述模型训练模块包括：
参数训练单元，用于通过类别误差和定位误差的加权求和作为损失函数对所述SSD网络模型进行训练，直至找出能使所述损失函数的值达到最小的权重参数。
优选地，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述数据获取模块包括：
数据集生成单元，用于接收多个医疗中心收集的甲状腺超声图像及标签，生成甲状腺超声图像数据集；
数据集划分单元，用于将所述甲状腺超声图像数据集划分为训练集和测试集。
本发明实施例还提供了一种超声甲状腺结节识别方法，用于云平台，包括：
获取甲状腺超声图像数据集，并划分出训练集；
构建基于CBAM卷积块注意力模块的SSD网络模型；
利用所述训练集对所述SSD网络模型进行训练；
将待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。
本发明实施例还提供了一种超声甲状腺结节识别设备，包括超声探头和与所述超声探头连接的处理器；其中，
所述处理器，用于获取甲状腺超声图像数据集，并划分出训练集；构建基于CBAM卷积块注意力模块的SSD网络模型；利用所述训练集对所述SSD网络模型进行训练；
所述超波探头，用于生成待测甲状腺超声图像；
所述处理器，还用于将所述待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述超声甲状腺结节识别方法。
从上述技术方案可以看出，本发明所提供的一种超声甲状腺结节识别装置，用于云平台，包括：数据获取模块，用于获取甲状腺超声图像数据集，并划分出训练集；模型构建模块，用于构建基于CBAM卷积块注意力模块的SSD网络模型；模型训练模块，用于利用所述训练集对所述SSD网络模型进行训练；模型推理模块，用于将待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。
本发明提供的上述超声甲状腺结节识别装置，可以通过云平台获取大型数据集解决训练模型的数据少且来源单一的问题，并构建基于注意力机制的多尺度检测网络，利用大型数据集训练出更具有鲁棒性的网络模型，快速准确识别出甲状腺结节的位置，提高了对超声甲状腺结节的检测性能，在所有病例中使用相同的特征选择过程，比放射科医生更客观，使检测方式简单化，省去了人工操作，提高了识别效率。
此外，本发明还针对超声甲状腺结节识别装置提供了相应的方法、设备及计算机可读存储介质，进一步使得上述装置更具有实用性，该方法、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的超声甲状腺结节识别装置的结构示意图；
图2为本发明实施例提供的基于云平台的超声甲状腺结节识别过程的示意图；
图3为本发明实施例提供的SSD网络模型的结构示意图；
图4为本发明实施例提供的卷积块注意力CBAM模块的结构示意图；
图5为本发明实施例提供的超声甲状腺结节识别方法的流程图。
具体实施方式
目前，CAS技术已被引入到超声甲状腺结节图像识别领域。基于传统CAS的方法是利用人工选择的特征，再基于机器学习和统计学建立分类器进行甲状腺结节的识别，但是这种方法侧重于人工设计或选择更好的特征，费时且主观。而基于深度学习的CAS方法是将甲状腺结节的超声图片和相应的标签输入网络模型，自动学习特征训练网络，并做出最终结果，但是由于甲状腺结节超声图像采集难度大，现有基于深度学习的CAS技术都存在参与模型训练的超声图像少、数据来源于单一医疗中心等问题，大大限制了超声甲状腺结节检测性能的提升，不能快速准确识别甲状腺结节位置。基于此，本发明提供了一种超声甲状腺结节识别装置，用于云平台，可以提高基于深度学习的CAS方法对超声甲状腺结节的检测性能。
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。
本发明提供的超声甲状腺结节识别装置，如图1所示，用于云平台，包括：
数据获取模块11，用于获取甲状腺超声图像数据集，并划分出训练集；
模型构建模块12，用于构建基于CBAM(Convolutional Block Attention Module)卷积块注意力模块的SSD(Single Shot MultiBox Detector，单发多目标检测器)网络模型；
模型训练模块13，用于利用所述训练集对所述SSD网络模型进行训练；
模型推理模块14，用于将待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。
在本发明实施例提供的上述超声甲状腺结节装置中，可以通过上述四个模块的相互作用，利用云平台获取大型数据集解决训练模型的数据少且来源单一的问题，并构建基于注意力机制的多尺度检测网络，利用云平台的训练集训练出更具有鲁棒性的网络模型，快速准确识别出甲状腺结节的位置，提高了对超声甲状腺结节的检测性能，在所有病例中使用相同的特征选择过程，比放射科医生更客观，使检测方式简单化，省去了人工操作，提高了识别效率。
需要说明的是，云平台也称云计算平台，是指基于硬件资源和软件资源的服务，提供计算、网络和存储能力。在本发明中，云平台可以接收多个医疗中心收集的大量的甲状腺超声图像及标签，并生成大型数据集，这样可以解决训练模型的数据少且来源单一的问题。
进一步地，在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述数据获取模块11，具体可以包括：
数据集生成单元，用于接收多个医疗中心收集的甲状腺超声图像及标签，生成甲状腺超声图像数据集；
数据集划分单元，用于将所述甲状腺超声图像数据集划分为训练集和测试集。
其中，所述训练集用来训练网络模型，优化模型参数；所述测试集用来验证模型性能。所述训练集可以占所述甲状腺超声图像数据集的70％，所述测试集可以占所述甲状腺超声图像数据集的30％，具体关于所述训练集和所述测试集的划分比例可以根据实际情况而调整，在此不做限定。
进一步地，在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述模型构建模块12，具体可以包括：
骨干网络建立单元，用于根据ResNet50网络中的卷积层和三个残差层，建立所述SSD网络模型的骨干网络；在所述骨干网络中的卷积层后加入CBAM卷积块注意力模块。
需要说明的是，本发明的SSD网络模型是以改进后的ResNet50网络为骨干网络，并加入了CBAM卷积块注意力模块，实现对超声甲状腺结节的检测。如图2和图3所示，骨干网络保留了原ResNet50网络中的卷积层(Conv1)和三个残差层(Conv2_x、Conv3_x、Conv4_x)，去掉了全连接层、VGG层等，并在卷积层Conv1之后加入CBAM卷积块注意力模块，这样的网络模型小，且有助于提取出超声甲状腺图像中超声甲状腺结节的重要特征。
在具体实施时，骨干网络建立单元，具体可以用于在所述骨干网络中的卷积层后依次加入通道注意力模块和空间注意力模块，以分别利用特征的通道间和空间关系生成注意特征图。也就是说，如图4所示，CBAM卷积块注意力模块可以包括通道注意力模块和空间注意力模块两个顺序子模块，分别利用特征的通道间和空间关系生成注意特征图，使得网络更加关注超声甲状腺结节的重要特征，抑制不必要的特征。
进一步地，在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述模型构建模块12，具体还可以包括：
预测特征层建立单元，用于建立五个额外添加层；将五个所述额外添加层与所述骨干网络中的最后一个残差层组成六个预测特征层，以预测不同尺度和比例的甲状腺结节。
需要说明的是，SSD网络模型中残差层Conv4_x和五个额外添加层组成了六个预测特征层，这六个预测特征层被用来预测不同尺度和比例的超声甲状腺结节，使得SSD网络模型可以在多个不同尺度的预测特征层上生成不同比例的预测框，进而能够检测出不同尺度和比例的甲状腺结节，增强了预测能力。
进一步地，在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述模型构建模块12，具体还可以包括：
抑制层建立单元，用于建立非极大值抑制层，并与六个所述预测特征层相连。
需要说明的是，如图3所示，残差层Conv4_x和五个额外添加层均连接在非极大值抑制层上，在这六个所述预测特征层预测出不同尺度和比例的超声甲状腺结节后，经过非极大值抑制操作，去除冗余的边界框，可以得到最终的检测结果。
进一步地，在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述模型训练模块13，具体可以包括：
参数训练单元，用于通过类别误差和定位误差的加权求和作为损失函数对所述SSD网络模型进行训练，直至找出能使所述损失函数的值达到最小的权重参数。
可以理解的是，所述SSD网络模型的损失函数可以是类别误差和定位误差的加权求和，训练网络模型就是不断降低损失函数的过程，直至找出能使它的值达到最小的权重参数，即为训练结束。
需要补充的是，在本发明实施例提供的上述超声甲状腺结节识别装置中，所述模型训练模块13，具体还可以包括：
监督训练单元，用于采用无监督策略或弱监督训练策略代替全监督训练策略，以减轻构建大型甲状腺结节超声图片数据集时手工标注的负担。
基于同一发明构思，本发明实施例还提供了一种超声甲状腺结节识别方法，由于该方法解决问题的原理与前述一种超声甲状腺结节识别装置相似，因此该方法的实施可以参见超声甲状腺结节识别装置的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的超声甲状腺结节识别方法，如图5所示，用于云平台，具体可以包括以下步骤：
S501、获取甲状腺超声图像数据集，并划分出训练集；
具体地，云平台可以接收多个医疗中心收集的大量的甲状腺超声图像及标签，并生成大型数据集，这样可以解决训练模型的数据少且来源单一的问题。
S502、构建基于CBAM卷积块注意力模块的SSD网络模型；
需要说明的是，本发明在云平台构建的SSD网络模型是经过改进后的SSD网络模型，该SSD网络模型加入了卷积块注意力模块，形成基于注意力机制的多尺度检测网络，可以提取到重要的特征信息。
S503、利用所述训练集对所述SSD网络模型进行训练；
在实际应用中，在云平台上载入所述训练集后，可以自动对所述SSD网络模型进行特征学习，直至网络收敛，得到训练好的所述SSD网络模型，并保存。
S504、将待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。
具体地，在云平台上部署训练好的网络模型，对输入的待测甲状腺结节超声进行识别，最后可以输出超声图片中甲状腺结节的位置。
在本发明实施例提供的上述超声甲状腺结节识别方法中，可以通过云平台获取大型数据集解决训练模型的数据少且来源单一的问题，并构建基于注意力机制的多尺度检测网络，利用大型数据集训练出更具有鲁棒性的网络模型，快速准确识别出甲状腺结节的位置，提高了对超声甲状腺结节的检测性能，在所有病例中使用相同的特征选择过程，比放射科医生更客观，使检测方式简单化，省去了人工操作，提高了识别效率。
进一步地，在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别方法中，步骤S501获取甲状腺超声图像数据集，并划分出训练集，具体可以包括：首先，接收多个医疗中心收集的甲状腺超声图像及标签，生成甲状腺超声图像数据集；然后，将所述甲状腺超声图像数据集划分为训练集和测试集。其中，所述训练集用来训练网络模型，优化模型参数；所述测试集用来验证模型性能。所述训练集可以占所述甲状腺超声图像数据集的70％，所述测试集可以占所述甲状腺超声图像数据集的30％，具体关于所述训练集和所述测试集的划分比例可以根据实际情况而调整，在此不做限定。
进一步地，在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别方法中，在步骤S502构建基于CBAM卷积块注意力模块的SSD网络模型的过程中，具体可以包括：首先，根据ResNet50网络中的卷积层和三个残差层，建立所述SSD网络模型的骨干网络；然后，在所述骨干网络中的卷积层后加入CBAM卷积块注意力模块。
需要说明的是，本发明的SSD网络模型是以改进后的ResNet50网络为骨干网络，并加入了注意力模块，实现对超声甲状腺结节的检测。骨干网络保留了原ResNet50网络中的卷积层(Conv1)和三个残差层(Conv2_x、Conv3_x、Conv4_x)，去掉了全连接层、VGG层等，并在卷积层Conv1之后加入卷积块注意力CBAM模块，这样的网络模型小，且有助于提取出超声甲状腺图像中超声甲状腺结节的重要特征。
进一步地，在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别方法中，在步骤S502构建基于CBAM卷积块注意力模块的SSD网络模型的过程中，还可以包括：建立五个额外添加层；将五个所述额外添加层与所述骨干网络中的最后一个残差层组成六个预测特征层，以预测不同尺度和比例的甲状腺结节。
具体地，如图3所示，SSD网络模型中残差层Conv4_x和五个额外添加层组成了六个预测特征层，这六个预测特征层被用来预测不同尺度和比例的超声甲状腺结节，使得SSD网络模型可以在多个不同尺度的预测特征层上生成不同比例的预测框，进而能够检测出不同尺度和比例的甲状腺结节，增强了预测能力。
进一步地，在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别方法中，在步骤S502构建基于CBAM卷积块注意力模块的SSD网络模型的过程中，还可以包括：建立非极大值抑制层，并与六个所述预测特征层相连。
具体地，在六个所述预测特征层预测出不同尺度和比例的超声甲状腺结节后，经过非极大值抑制操作，去除冗余的边界框，可以得到最终的检测结果。
在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别方法中，在所述骨干网络中的卷积层后加入CBAM卷积块注意力模块，可以包括：在所述骨干网络中的卷积层后依次加入通道注意力模块和空间注意力模块，以分别利用特征的通道间和空间关系生成注意特征图。
具体地，如图4所示，CBAM卷积块注意力模块可以包括通道注意力模块和空间注意力模块两个顺序子模块，分别利用特征的通道间和空间关系生成注意特征图，使得网络更加关注超声甲状腺结节的重要特征，抑制不必要的特征。
进一步地，在具体实施时，在本发明实施例提供的上述超声甲状腺结节识别方法中，在步骤S503利用所述训练集对所述SSD网络模型进行训练的过程中，具体可以包括：通过类别误差和定位误差的加权求和作为损失函数对所述SSD网络模型进行训练，直至找出能使所述损失函数的值达到最小的权重参数。
具体地，所述SSD网络模型的损失函数可以是类别误差和定位误差的加权求和，训练网络模型就是不断降低损失函数的过程，直至找出能使它的值达到最小的权重参数，即为训练结束。
关于上述各步骤更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
相应地，本发明实施例还公开了一种超声甲状腺结节识别设备，包括超声探头和与所述超声探头连接的处理器；其中，
所述处理器，用于获取甲状腺超声图像数据集，并划分出训练集；构建基于CBAM卷积块注意力模块的SSD网络模型；利用所述训练集对所述SSD网络模型进行训练；
所述超波探头，用于生成待测甲状腺超声图像；
所述处理器，还用于将所述待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。
关于上述处理器更加具体的功能可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的超声甲状腺结节识别方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的方法、设备、存储介质而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上，本发明实施例提供的一种超声甲状腺结节识别装置，用于云平台，包括：数据获取模块，用于获取甲状腺超声图像数据集，并划分出训练集；模型构建模块，用于构建基于CBAM卷积块注意力模块的SSD网络模型；模型训练模块，用于利用所述训练集对所述SSD网络模型进行训练；模型推理模块，用于将待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。上述超声甲状腺结节识别装置可以通过云平台获取大型数据集解决训练模型的数据少且来源单一的问题，并构建基于注意力机制的多尺度检测网络，利用大型数据集训练出更具有鲁棒性的网络模型，快速准确识别出甲状腺结节的位置，提高了对超声甲状腺结节的检测性能，在所有病例中使用相同的特征选择过程，比放射科医生更客观，使检测方式简单化，省去了人工操作，提高了识别效率。此外，本发明还针对超声甲状腺结节识别装置提供了相应的方法、设备及计算机可读存储介质，进一步使得上述装置更具有实用性，该方法、设备及计算机可读存储介质具有相应的优点。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。
以上对本发明所提供的超声甲状腺结节识别装置、方法、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种超声甲状腺结节识别装置，其特征在于，用于云平台，包括：
数据获取模块，用于获取甲状腺超声图像数据集，并划分出训练集；
模型构建模块，用于构建基于CBAM卷积块注意力模块的SSD网络模型；
模型训练模块，用于利用所述训练集对所述SSD网络模型进行训练；
模型推理模块，用于将待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。
2.根据权利要求1所述的超声甲状腺结节识别装置，其特征在于，所述模型构建模块包括：
骨干网络建立单元，用于根据ResNet50网络中的卷积层和三个残差层，建立所述SSD网络模型的骨干网络；在所述骨干网络中的卷积层后加入CBAM卷积块注意力模块。
3.根据权利要求2所述的超声甲状腺结节识别装置，其特征在于，所述骨干网络建立单元，具体用于在所述骨干网络中的卷积层后依次加入通道注意力模块和空间注意力模块，以分别利用特征的通道间和空间关系生成注意特征图。
4.根据权利要求3所述的超声甲状腺结节识别装置，其特征在于，所述模型构建模块还包括：
预测特征层建立单元，用于建立五个额外添加层；将五个所述额外添加层与所述骨干网络中的最后一个残差层组成六个预测特征层，以预测不同尺度和比例的甲状腺结节。
5.根据权利要求4所述的超声甲状腺结节识别装置，其特征在于，所述模型构建模块还包括：
抑制层建立单元，用于建立非极大值抑制层，并与六个所述预测特征层相连。
6.根据权利要求1所述的超声甲状腺结节识别装置，其特征在于，所述模型训练模块包括：
参数训练单元，用于通过类别误差和定位误差的加权求和作为损失函数对所述SSD网络模型进行训练，直至找出能使所述损失函数的值达到最小的权重参数。
7.根据权利要求1所述的超声甲状腺结节识别装置，其特征在于，所述数据获取模块包括：
数据集生成单元，用于接收多个医疗中心收集的甲状腺超声图像及标签，生成甲状腺超声图像数据集；所述标签用于标注所述甲状腺超声图像中甲状腺结节的位置；
数据集划分单元，用于将所述甲状腺超声图像数据集划分为训练集和测试集。
8.一种超声甲状腺结节识别方法，其特征在于，用于云平台，包括：
获取甲状腺超声图像数据集，并划分出训练集；
构建基于CBAM卷积块注意力模块的SSD网络模型；
利用所述训练集对所述SSD网络模型进行训练；
将待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。
9.一种超声甲状腺结节识别设备，其特征在于，包括超声探头和与所述超声探头连接的处理器；其中，
所述处理器，用于获取甲状腺超声图像数据集，并划分出训练集；构建基于CBAM卷积块注意力模块的SSD网络模型；利用所述训练集对所述SSD网络模型进行训练；
所述超波探头，用于生成待测甲状腺超声图像；
所述处理器，还用于将所述待测甲状腺超声图像输入至训练完成的所述SSD网络模型进行识别，识别出所述待测甲状腺超声图像中的甲状腺结节并标记所述甲状腺结节的位置。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求8所述的超声甲状腺结节识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211378213.9A CN115641486A (zh) | 2022-11-04 | 2022-11-04 | 一种超声甲状腺结节识别装置、方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211378213.9A CN115641486A (zh) | 2022-11-04 | 2022-11-04 | 一种超声甲状腺结节识别装置、方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115641486A true CN115641486A (zh) | 2023-01-24 |
Family
ID=84948970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211378213.9A Pending CN115641486A (zh) | 2022-11-04 | 2022-11-04 | 一种超声甲状腺结节识别装置、方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115641486A (zh) |
-
2022
- 2022-11-04 CN CN202211378213.9A patent/CN115641486A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
| CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
| CN111095426A (zh) | 使用深度神经网络的计算机辅助诊断 | |
| CN112085714B (zh) | 一种肺结节检测方法、模型训练方法、装置、设备及介质 | |
| EP3767551A1 (en) | Inspection system, image recognition system, recognition system, discriminator generation system, and learning data generation device | |
| US20140348420A1 (en) | Method and system for automatic selection of one or more image processing algorithm | |
| US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
| JP6844564B2 (ja) | 検査システム、識別システム、及び学習データ生成装置 | |
| CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
| CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
| CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
| CN112703531A (zh) | 生成组织图像的注释数据 | |
| CN109671055B (zh) | 肺结节检测方法及装置 | |
| CN110503151A (zh) | 一种影像的处理方法和系统 | |
| CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
| CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
| CN113344028A (zh) | 乳腺超声序列图像分类方法及装置 | |
| CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
| CN117408946A (zh) | 图像处理模型的训练方法、图像处理方法 | |
| CN111028940A (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
| CN112614570B (zh) | 样本集标注、病理图像分类、分类模型构建方法及装置 | |
| CN113192085A (zh) | 三维器官图像分割方法、装置及计算机设备 | |
| CN116958679A (zh) | 一种基于弱监督的目标检测方法及相关设备 | |
| CN118115932A (zh) | 图像回归器训练方法与相关方法、装置、设备及介质 | |
| CN114820755B (zh) | 一种深度图估计方法及系统 |
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 |