基于深度学习的甲状腺结节良恶性诊断方法及系

本发明涉及计算机辅助诊断，特别是涉及基于深度学习的甲状腺结节良恶性诊断方法及系统。背景技术：1、甲状腺结节的发病率逐年上升。准确判断结节的良恶性是制定治疗方案的重要依据。超声检查是良恶性结节诊断中应用最广泛的方法，但医生诊断主观性强，漏诊、误诊率较高。尽管深度神经网络已在不同医学图像的计算机辅助诊断(cad)中得到广泛研究，但不同的超声设备和图像模式给临床应用带来了挑战，特别是在识别具有各种形状和大小的甲状腺结节方面。特别的，针对每一位患者，医生通常会用超声设备对甲状腺结节做横扫和竖扫的检查，得到甲状腺结节横切面和纵切面的图像。但对同一患者进行横扫和竖扫得到的视图特征有时会有很大差别，在用深度神经网络进行辅助预测时，预测结果通常会不相同，影响医生做出正确的诊断结果。技术实现思路1、为了解决现有技术的不足，本发明提供了基于深度学习的甲状腺结节良恶性诊断方法及系统；本发明提出的方法能够充分利用每位患者的不同视图图像的特征，对同一患者的不同视图的特征做相似性约束，同时对分类结果做约束。本发明提出的方法能够充分利用同一患者不同切面的图像信息，能够过的更好的分类准确率和每位患者不同视图的一致性预测，以便获得更好的诊断结果，为临床诊断提供客观参考。2、一方面，提供了基于深度学习的甲状腺结节良恶性诊断方法；3、基于深度学习的甲状腺结节良恶性诊断方法，包括：4、获取甲状腺患者的甲状腺超声图像，以及对应的结节位置标签；5、对甲状腺超声图像进行预处理，得到预处理后的图像；6、对预处理后的图像集合，划分为训练集、验证集和测试集；7、基于训练集对甲状腺结节诊断模型进行训练，基于验证集对训练后的甲状腺结节诊断模型进行验证，基于测试集对训练后的甲状腺结节诊断模型进行测试，将验证通过且测试通过的模型，作为最终训练后的甲状腺结节诊断模型；8、获取待诊断甲状腺超声图像，将待诊断甲状腺超声图像输入到最终训练后的甲状腺结节诊断模型中，输出甲状腺结节良性或恶性的诊断结果。9、另一方面，提供了基于深度学习的甲状腺结节良恶性诊断系统；10、基于深度学习的甲状腺结节良恶性诊断系统，包括：11、获取模块，其被配置为：获取甲状腺患者的甲状腺超声图像，以及对应的结节位置标签；12、预处理模块，其被配置为：对甲状腺超声图像进行预处理，得到预处理后的图像；13、划分模块，其被配置为：对预处理后的图像集合，划分为训练集、验证集和测试集；14、训练模块，其被配置为：基于训练集对甲状腺结节诊断模型进行训练，基于验证集对训练后的甲状腺结节诊断模型进行验证，基于测试集对训练后的甲状腺结节诊断模型进行测试，将验证通过且测试通过的模型，作为最终训练后的甲状腺结节诊断模型；15、诊断模块，其被配置为：获取待诊断甲状腺超声图像，将待诊断甲状腺超声图像输入到最终训练后的甲状腺结节诊断模型中，输出甲状腺结节良性或恶性的诊断结果。16、再一方面，还提供了一种电子设备，包括：17、存储器，用于非暂时性存储计算机可读指令；以及18、处理器，用于运行所述计算机可读指令，19、其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。20、再一方面，还提供了一种存储介质，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。21、再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。22、上述技术方案具有如下优点或有益效果：23、本发明提供了一个完整的基于深度学习的甲状腺结节良恶性诊断方法和系统，从图像预处理到模型训练到图像分类过程提供了相应的基于深度学习方法并实现每一步流程，充分利用了深度学习方法在图像特征提取与图像处理方面的优势，能够有效的提高甲状腺结节超声图像分类的准确率，并且能够极大的减少人工的干预，能够更好的满足临床需求。技术特征：1.基于深度学习的甲状腺结节良恶性诊断方法，其特征是，包括：2.如权利要求1所述的基于深度学习的甲状腺结节良恶性诊断方法，其特征是，获取甲状腺患者的甲状腺超声图像，以及对应的结节位置标签，还包括：对甲状腺超声图像进行脱敏处理。3.如权利要求1所述的基于深度学习的甲状腺结节良恶性诊断方法，其特征是，对甲状腺超声图像进行预处理，得到预处理后的图像，具体包括：4.如权利要求1所述的基于深度学习的甲状腺结节良恶性诊断方法，其特征是，对预处理后的图像集合，划分为训练集、验证集和测试集，具体包括：5.如权利要求1所述的基于深度学习的甲状腺结节良恶性诊断方法，其特征是，基于训练集对甲状腺结节诊断模型进行训练，基于验证集对训练后的甲状腺结节诊断模型进行验证，基于测试集对训练后的甲状腺结节诊断模型进行测试，将验证通过且测试通过的模型，作为最终训练后的甲状腺结节诊断模型，具体训练过程包括：6.如权利要求1所述的基于深度学习的甲状腺结节良恶性诊断方法，其特征是，基于训练集对甲状腺结节诊断模型进行训练，具体包括：训练过程中，所使用的损失函数为交叉熵损失函数。7.基于深度学习的甲状腺结节良恶性诊断系统，其特征是，包括：8.一种电子设备，其特征是，包括：9.一种存储介质，其特征是，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行权利要求1-6任一项所述方法的指令。10.一种计算机程序产品，其特征是，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述权利要求1-6任一项所述的方法。技术总结本发明公开了基于深度学习的甲状腺结节良恶性诊断方法及系统，所述方法包括：获取甲状腺患者的甲状腺超声图像，以及对应的结节位置标签；对甲状腺超声图像进行预处理，得到预处理后的图像；对预处理后的图像集合，划分为训练集、验证集和测试集；基于训练集对甲状腺结节诊断模型进行训练，基于验证集对训练后的甲状腺结节诊断模型进行验证，基于测试集对训练后的甲状腺结节诊断模型进行测试，将验证通过且测试通过的模型，作为最终训练后的甲状腺结节诊断模型；获取待诊断甲状腺超声图像，将待诊断甲状腺超声图像输入到最终训练后的甲状腺结节诊断模型中，输出甲状腺结节良性或恶性的诊断结果。技术研发人员：赵显,王春,刘治,贺凯,吴梅,崔笑笑,李媛,李婷,赵坤受保护的技术使用者：山东海量信息技术研究院技术研发日：技术公布日：2024/8/15