技术新讯 > 计算推算,计数设备的制造及其应用技术 > 甲状腺结节性病变分类模型训练方法、分类方法及装置  >  正文

甲状腺结节性病变分类模型训练方法、分类方法及装置

  • 国知局
  • 2024-07-31 23:27:43

本技术涉及医疗图像处理,尤其涉及甲状腺结节性病变分类模型训练方法、分类方法及装置。

背景技术:

1、甲状腺是人体重要的内分泌腺,也是人体内分泌腺当中体积最大的内分泌腺体,在反馈调节、影响代谢、促进发育等方面发挥着至关重要的作用。甲状腺结节是相当常见的甲状腺病变,在当前存在的大量患者人群中,大部分甲状腺结节都是良性结节,少部分有恶性风险,主要包括乳头状癌、滤泡性肿瘤、髓样癌等。临床工作过程中应用超声检查发现甲状腺结节后,需对各结节的性质及恶性风险做出预测。有经验的超声医师通常能够识别滤泡性肿瘤,但也存在一定的误诊率,且医院的医生在识别上也可能存在困难。

2、计算机辅助诊断技术在甲状腺结节的超声影像分析上已经有广泛的应用,但是现有的辅助诊断软件都是基于甲状腺影像报告与数据系统(thyroid imaging reportingand data system, tirads)进行分级,而该系统专注于甲状腺乳头状癌的筛查,对于滤泡性肿瘤、髓样癌等恶性程度更高、恶性征象不够明显的恶性结节诊断效果有限,很容易出现误诊、漏诊的情况。

3、因此,科研人员与放射科医生亟待采用新的技术来完成甲状腺滤泡性肿瘤以及髓样癌的筛查,进而辅助临床医师的诊疗决策以减轻医生的诊断压力。

技术实现思路

1、鉴于此,本技术实施例提供了甲状腺结节性病变分类模型训练方法、分类方法及装置,以消除或改善现有技术中存在的一个或更多个缺陷。

2、本技术的一个方面提供了一种甲状腺结节性病变分类模型训练方法,包括:

3、采用分别设有标签的各个超声影像训练样本训练预设的全分组卷积神经优化模型,所述全分组卷积神经优化模型是预先在原始全分组卷积神经模型增加密集连接模块并将该原始全分组卷积神经模型中的最大池化层替换为空洞卷积层而形成的;其中,所述标签用于表示对应的超声影像训练样本所属的甲状腺结节性病变类型;所述甲状腺结节性病变类型包括:结节性甲状腺肿、甲状腺滤泡状肿瘤、甲状腺乳头状癌和甲状腺髓样癌;

4、将训练后的所述全分组卷积神经优化模型确定为当前用于预测超声影像所属的甲状腺结节性病变类型的甲状腺结节性病变分类模型。

5、在本技术的一些实施例中,所述全分组卷积神经优化模型包括:依次连接的优化输入流模块、第一密集连接模块、中间流模块、第二密集连接模块、优化输出流模块和全连接层;

6、其中,所述第一密集连接模块还与所述优化输入流模块的输入端相连;所述第二密集连接模块还与所述优化输入流模块的输入端、所述优化输入流模块的输出端以及所述中间流模块的输入端之间分别连接;

7、所述优化输入流模块用于对当前从自身输入端获取的所述超声影像训练样本进行特征提取,以得到第一输出特征图;

8、所述第一密集连接模块用于将当前自所述优化输入流模块的输入端传输的所述超声影像训练样本在通道维度上与自所述优化输入流模块的输出端传输所述第一输出特征图进行连接,以得到对应的第一输入特征图,并将该第一输入特征图传输至所述中间流模块的输入端;

9、所述中间流模块用于对当前从自身输入端获取的所述第一输入特征图进行特征提取,以得到第二输出特征图;

10、所述第二密集连接模块用于将当前从所述优化输入流模块的输入端获取的所述超声影像训练样本、从所述优化输入流模块的输出端获取的所述第一输出特征图以及与自所述中间流模块的输出端获取的所述第二输出特征图在通道维度上进行连接,以得到对应的第二输入特征图,并将该第二输入特征图传输至所述优化输出流模块的输入端;

11、所述优化输出流模块用于对当前从自身输入端获取的所述第二输入特征图进行特征提取,以得到对应的目标输出特征图;

12、所述全连接层用于对所述优化输出流模块输出的所述目标输出特征图进行甲状腺结节性病变分类,以得到所述超声影像训练样本所属的甲状腺结节性病变类型。

13、在本技术的一些实施例中,所述原始全分组卷积神经模型包括:依次连接的输入流模块、中间流模块、输出流模块和全连接层;

14、相对应的,在所述采用分别设有标签的各个超声影像训练样本训练预设的全分组卷积神经优化模型之前,还包括:

15、将所述输入流模块中的各个最大池化层分别替换为空洞卷积层,以形成对应的优化输入流模块,并将所述输出流模块中的各个最大池化层分别替换为空洞卷积层,以形成对应的优化输出流模块;

16、在所述优化输入流模块的输出端与所述中间流模块的输入端之间增设的第一密集连接模块,以及在所述中间流模块的输出端与所述优化输出流模块的输入端之间增设的第二密集连接模块,进而构建得到包含有依次连接的所述优化输入流模块、所述第一密集连接模块、所述中间流模块、所述第二密集连接模块、所述优化输出流模块和所述全连接层的全分组卷积神经优化模型。

17、在本技术的一些实施例中,所述全分组卷积神经优化模型还包括:设置在所述优化输入流模块的输入端与所述第一密集连接模块之间的用于降低图像维度并缩小图像尺寸的一过渡层,以及设置在所述中间流模块的输入端与所述第二密集连接模块之间的另一所述过渡层。

18、在本技术的一些实施例中,所述采用分别设有标签的各个超声影像训练样本训练预设的全分组卷积神经优化模型,包括:

19、基于开源数据集中的各个超声影像数据对所述全分组卷积神经优化模型进行预训练;

20、基于预设的混合损失函数,采用自临床数据提取的分别设有标签的各个超声影像训练样本对经预训练的所述全分组卷积神经优化模型进行模型微调。

21、在本技术的一些实施例中,在所述采用分别设有标签的各个超声影像训练样本训练预设的全分组卷积神经优化模型之前,还包括:

22、对临床数据中的各个患者的灰阶超声影像分别进行二值化处理并提取各个所述灰阶超声影像各自对应的连通区域列表,所述连通区域列表中用于存储对应的灰阶超声影像中的各个连通区域;

23、分别自各个所述连通区域列表中确定各个所述灰阶超声影像各自对应的最大连通区域;

24、对各个所述最大连通区域进行像素坐标标记,以在各个所述灰阶超声影像中分别截取各个所述最大连通区域,并将各个所述最大连通区域分别作为超声影像训练样本;

25、为各个所述超声影像训练样本分别设置所述标签。

26、在本技术的一些实施例中,所述混合损失函数是最小化交叉熵损失函数和焦点损失函数的混合损失。

27、本技术的另一个方面提供了一种甲状腺结节性病变分类方法,包括:

28、接收目标患者的灰阶超声影像,并自该灰阶超声影像中提取最大连通区域以得到目标超声影像;

29、将所述目标超声影像输入甲状腺结节性病变分类模型,以使该甲状腺结节性病变分类模型对应输出所述目标超声影像所属的甲状腺结节性病变类型,其中,所述甲状腺结节性病变分类模型预先基于所述甲状腺结节性病变分类模型训练方法训练得到。

30、本技术的第三个方面提供了一种甲状腺结节性病变分类模型训练装置,包括:

31、模型训练模块,用于采用分别设有标签的各个超声影像训练样本训练预设的全分组卷积神经优化模型,所述全分组卷积神经优化模型是预先在原始全分组卷积神经模型增加密集连接模块并将该原始全分组卷积神经模型中的最大池化层替换为空洞卷积层而形成的;其中,所述标签用于表示对应的超声影像训练样本所属的甲状腺结节性病变类型;所述甲状腺结节性病变类型包括:结节性甲状腺肿、甲状腺滤泡状肿瘤、甲状腺乳头状癌和甲状腺髓样癌;

32、模型确定模块,用于将训练后的所述全分组卷积神经优化模型确定为当前用于预测超声影像所属的甲状腺结节性病变类型的甲状腺结节性病变分类模型。

33、本技术的第四个方面提供了一种甲状腺结节性病变分类装置,包括:

34、影像接收模块,用于接收目标患者的灰阶超声影像,并自该灰阶超声影像中提取最大连通区域以得到目标超声影像;

35、类型预测模块,用于将所述目标超声影像输入甲状腺结节性病变分类模型,以使该甲状腺结节性病变分类模型对应输出所述目标超声影像所属的甲状腺结节性病变类型,其中,所述甲状腺结节性病变分类模型预先基于所述甲状腺结节性病变分类模型训练方法训练得到。

36、本技术的第五个方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述甲状腺结节性病变分类模型训练方法,和/或,实现所述甲状腺结节性病变分类方法。

37、本技术的第六个方面提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述甲状腺结节性病变分类模型训练方法,和/或,实现所述甲状腺结节性病变分类方法。

38、本技术的第七个方面提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现所述甲状腺结节性病变分类模型训练方法,和/或,实现所述甲状腺结节性病变分类方法。

39、本技术提供的甲状腺结节性病变分类模型训练方法,采用分别设有标签的各个超声影像训练样本训练预设的全分组卷积神经优化模型,所述全分组卷积神经优化模型是预先在原始全分组卷积神经模型增加密集连接模块并将该原始全分组卷积神经模型中的最大池化层替换为空洞卷积层而形成的;其中,所述标签用于表示对应的超声影像训练样本所属的甲状腺结节性病变类型;所述甲状腺结节性病变类型包括:结节性甲状腺肿、甲状腺滤泡状肿瘤、甲状腺乳头状癌和甲状腺髓样癌;将训练后的所述全分组卷积神经优化模型确定为当前用于预测超声影像所属的甲状腺结节性病变类型的甲状腺结节性病变分类模型。本技术通过在原始全分组卷积神经模型的基础上,优化出全分组卷积神经优化模型,使得该优化模型能够极致利用训练过程中的所有中间特征,并能够有效保留浅层特征,同时能够解决原始全分组卷积神经模型的最大池化层存在不可学、特征图空间层级信息(尤其全局信息)易丢失等问题,进而使得全分组卷积神经优化模型能够被训练为用于分类结节性甲状腺肿、甲状腺滤泡状肿瘤、甲状腺乳头状癌和甲状腺髓样癌的甲状腺结节性病变分类模型,不但能够有效控制甲状腺结节性病变分类模型训练过程中的计算成本,还能够有效提高应用甲状腺结节性病变分类模型预测甲状腺结节性病变类型的预测精度及可靠性,进而能够有效辅助临床医师的诊疗决策以减轻医生的诊断压力。

40、本技术的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本技术的实践而获知。本技术的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

41、本领域技术人员将会理解的是,能够用本技术实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本技术能够实现的上述和其他目的。

本文地址:https://www.jishuxx.com/zhuanli/20240730/197693.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。