基于深度卷积神经网络自动识别甲状腺结节良恶性的方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106056595A(43)申请公布日2016.10.26(21)申请号201610362069.8(22)申请日2016.05.26(66)本国优先权数据201510861902.92015.11.30CN(71)申请人浙江德尚韵兴图像科技有限公司地址310012浙江省杭州市文三路90号东部软件园6号楼科技大厦8层东801/802室(72)发明人孔德兴吴法马金连(74)专利代理机构杭州中成专利事务所有限公司33212代理人周世骏(51)Int.Cl.G06T7/00(2006.01)G06F19/00(2011.01)权利要求书5页说明书12页附图3页(54)发明名称基于深度卷积神经网络自动识别甲状腺结节良恶性的方法(57)摘要本发明涉及辅助医学诊断，旨在提供基于深度卷积神经网络自动识别甲状腺结节良恶性的方法。该基于深度卷积神经网络自动识别甲状腺结节良恶性的方法包括：读取甲状腺结节的B超数据；对甲状腺结节图像进行预处理；选取图像分割出结节部分与非结节部分；将提取出来的ROI平均分成p组，利用CNN提取这些ROI的特征，并进行归一化；选出p－1组数据做训练集，剩余一组做测试，训练出识别模型进行测试；重复做p次交叉检验，得到识别模型的最佳参数。本发明不仅借助深度卷积神经网络可以自动的分割出甲状腺结节，弥补了基于活动轮廓等不能解决弱边界问题的不足，而且可以自动学习出提取出有价值的特征组合，避免了人工选取特征的复杂。CN106056595ACN106056595A权利要求书1/5页1.基于深度卷积神经网络自动识别甲状腺结节良恶性的方法，其特征在于，包括下述过程：一、读取甲状腺结节的B超数据；二、对甲状腺结节图像进行预处理；三、选取图像利用卷积神经网络，即CNN，自动学习分割出结节部分与非结节部分，结节部分就是感兴趣区域，即ROI，并对结节形状进行细化；四、将步骤三提取出来的ROI，平均分成p组，利用CNN提取这些ROI的特征，并进行归一化；五、选出步骤四中p-1组数据做训练集，剩余一组做测试，通过CNN训练出识别模型进行测试；六、重复步骤五，做p次交叉检验，得到识别模型的最佳参数，最终确定基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统；所述过程一具体为：读取甲状腺结节图像，包括至少5000张良性结节的图像和至少5000张恶性结节的图像；所述过程二具体为：将过程一读取的甲状腺结节图像，先进行图像灰度化，并利用周围像素点的灰度值去掉超声图像中医生为测量结节相关量做的标记，再利用高斯滤波去噪，最后利用灰度直方图均衡化增强对比度，得到预处理后的增强图像；所述过程三具体为：第1步：选取经过程二预处理后的增强图像10000张，包括良恶性结节各5000张；第2步：对每一张图片，首先手动截取出结节部分与非结节部分，然后通过CNN训练出自动分割的模型；所述CNN是由13层卷积层、2层下采样层组成的网络结构；卷积层的卷积核的大小分别为：第一层为13x13，第二层与第三层为5x5，其余各层为3x3；卷积层的步长分别是：前两个卷积层是2，其余的都是1；下采样层的大小都是3x3，步长都是2；通过CNN训练出自动分割的模型的具体方法为：(1)通过CNN的卷积层与下采样层自动学习特征，并提取出特征，具体步骤为：步骤A：在一个卷积层，上一层的特征maps被一个能够学习的卷积核进行卷积，然后通过一个激活函数，就能得到输出特征map；每一个输出是卷积核卷积一个输入或者组合多个卷积输入的值：其中，符号*表示卷积运算符；所述l表示层数；所述i表示l-1层的第i个神经元节点；所述j表示l层的第j个神经元节点；所述Mj表示选择的输入maps的集合；所述是指l-1层的输出，作为l层的输入；所述f是激活函数，这里取sigmoid函数作为激活函数，e表示欧拉数2.718281828，ex就是指数函数；所述k是卷积算子；所述b是偏置；每一个输出map会给一个额外的偏置b，但是对于一个特定的输出map，卷积每个输入maps的卷积核都是不一样的；2CN106056595A权利要求书2/5页这一步还需要进行梯度计算，以更新灵敏度，灵敏度用于表示b变化多少，误差会变化多少：其中，所述l表示层数；所述j表示l层的第j个神经元节点；所述o表示每个元素相乘；所述δ表示输出神经元的灵敏度，即偏置b的变化率；所述sl＝Wlxl-1+bl，xl-1是指l-1层的输出，W为权重，b为偏置；所述f是激活函数，这里取sigmoid函数作为激活函数，e表示欧拉数2.718281828，ex就是指数函数；f′(x)是f(x)的导函数；所述表示各层共享的权值；所述up(.)表示一个上采样操作；然后对l层中的灵敏度map中的所有