CN107247971A - 一种超声甲状腺结节风险指标的智能分析方法及*** - Google Patents
一种超声甲状腺结节风险指标的智能分析方法及*** Download PDFInfo
- Publication number
- CN107247971A CN107247971A CN201710505381.2A CN201710505381A CN107247971A CN 107247971 A CN107247971 A CN 107247971A CN 201710505381 A CN201710505381 A CN 201710505381A CN 107247971 A CN107247971 A CN 107247971A
- Authority
- CN
- China
- Prior art keywords
- module
- depth
- data
- sent
- user
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 208000009453 Thyroid Nodule Diseases 0.000 title claims abstract description 31
- 208000024770 Thyroid neoplasm Diseases 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000002604 ultrasonography Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 230000002452 interceptive effect Effects 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 238000007619 statistical method Methods 0.000 claims 1
- 208000026310 Breast neoplasm Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 210000005075 mammary gland Anatomy 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公布了一种超声甲状腺结节风险指标的智能分析方法及***,基于超声数据,利用深度神经网络,对甲状腺结节风险指标进行定量分析;包括:获取图像数据和统计数据;输入到结节识别器,得到输出层结果,进行聚类分析,得到聚类中心;将聚类中心输入深度自编码器输入层进行深度学习得到深度特征数据;可通过基于甲状腺特征的正则化优化方法优化深度自编码器;利用深度特征数据,再向用户请求获取附加信息;将附加信息和深度特征数据输入到分类器,基于人工神经网络进行分析,得到结节风险指标。本发明健壮性高,敏感性好,可用于大规模临床使用。
Description
技术领域
本发明属于信息技术领域,涉及甲状腺超声数据的定量评估技术,特别涉及一种基于超声数据的深度神经网络的甲状腺结节风险指标定量分析方法及***。
背景技术
甲状腺结节长期以来一直靠超声医师通过人眼,对超声图像进行主观的评价。现有技术尽管采用一些半定量评价指标,但仍无法解决大多数的评价需求。医师在相互交流和学习中,经常使用一些主观叙述,容易产生误解。因此,临床迫切需要一种高效稳定,重复性好的定量评价工具。
现有的对结节病变进行分析评估技术中,中国专利发明201010514921.1记载了一种乳腺病变定量化影像评价***。该乳腺病变定量化影像评价***包括一套乳腺肿瘤病变生长扩散的非线性数据模型。其特点是通过边界轮廓分形维、肿瘤内部的复杂分形维、异质性及包块化程度等,并综合乳腺病变钙化特征,及临床特征性征象,考查乳腺肿瘤生长扩散参数。该技术方案提供了一种简洁有效的实用性肿瘤影像量化评估方法,能够计算出肿瘤良恶性预测数值,模型较简洁,计算速度较快,针对乳腺肿瘤有很好的效果。但是,该方案仅针对乳腺肿瘤专门设计,无法适应对包括甲状腺在内的其它组织的结节病变进行分析评估的实际应用需要。
发明内容
为了克服上述现有技术的不足,本发明提供一种超声甲状腺结节风险指标的智能分析方法及***,基于超声数据,利用深度神经网络,对甲状腺结节风险指标进行定量分析;本发明健壮性高,敏感性好,可用于大规模临床使用。
本发明提供的技术方案是:
一种超声甲状腺结节风险指标的智能分析方法,利用深度神经网络,针对超声数据进行定量分析,获取甲状腺结节风险指标;包括如下步骤:
1)读取超声数据,进行预处理,获取图像数据和统计数据;
具体实施中,从设备上读取DICOM(Digital Imaging and Communications inMedicine,医学数字成像和通信)超声序列数据,提取其中的图像数据并计算其统计分布;
2)将图像数据输入到深度人工神经网络,以输出层结果为判定结果,大于一设定阈值则将其输入存到甲状腺结节列表中;重复该操作直至遍历全部图像数据;将甲状腺结节列表进行聚类分析,得到聚类中心;
3)将聚类中心输入深度自编码器输入层,进行深度学习抽象,以输出层结果作为深度特征数据;进一步可通过基于甲状腺特征的正则化优化方法优化深度自编码器;
4)利用深度特征数据,再向用户请求获取附加信息;将附加信息和深度特征数据输入到分类器,基于人工神经网络进行分析,得到结节风险指标;
5)将步骤4)得到的结节风险指标可视化呈现给用户。
用户还可通过交互操作对结节风险指标进行纠正,再转到步骤3)对参数进行修正并更新。
针对上述超声甲状腺结节风险指标的智能分析方法,进一步地,步骤1)进行预处理包括拆解原始数据,去除患者姓名、扫描日期等文字信息,获取原始图像数据;再通过纳卡伽米统计分布法对原始图像数据进行分析,得到特征参数形状因子和尺度因子分布图,作为统计数据。
针对上述超声甲状腺结节风险指标的智能分析方法,进一步地,步骤2)具体包括如下步骤:
21)从原始图像数据中裁取各自尺寸的一小块,感兴趣区域图像的尺寸可不同,是多个不同的可调尺寸,作为感兴趣区域图像,将原始图像数据划分成多组感兴趣区域图像,发送到结节识别器进行识别,输出多组识别数据;
结节识别器是一个人工神经网络,包括2-4层,由1000-3000个神经元组成;底层神经元读取多组感兴趣区域图像,顶层神经元输出多组识别数据;
22)利用聚类筛选器对所述多组识别数据进行聚类,得到聚类中心。
本发明具体实施时,聚类筛选器是一个无监督聚类器。
针对上述超声甲状腺结节风险指标的智能分析方法,进一步地,步骤3)进行深度学习抽象具体包括如下步骤:
31)设置深度自编码器所需的各类参数,组成一组权值矩阵;
32)将步骤2)得到的聚类中心输入到深度自编码器,提取得到深度特征;
33)根据用户更正标签和深度特征,根据下式对步骤31)中的权值矩阵进行基于甲状腺特征的正则化优化,得到优化后的各类参数:
式中,J(W,b)是传统神经网络损失函数,fi是当前结节的深度特征,fv是与用户更正标签对应的类的平均深度特征,fj是与用户更正标签不对应的所有类的平均深度特征,α和β为可调参数;用户更正标签为由用户选择的结节与甲状腺指南所对应甲状腺特征分级类别。
针对上述超声甲状腺结节风险指标的智能分析方法,进一步地,步骤4)所述分类器是一个有监督学习的分类器,用于进行多通道信息融合,该分类器的输入为步骤3)得到的深度特征数据、步骤1)中的统计数据和用户附加信息,该分类器的输出是结节风险指标。
本发明还提供一种超声甲状腺结节风险指标的智能分析***,包括编码模块、滑窗模块、深度自编码模块、多通道信息融合模块和用户交互模块;其中:
1)编码模块,用于读取超声数据,将图像数据和统计数据发送给滑窗模块;
2)滑窗模块,用于接受编码模块传来的图像数据和统计数据,滑窗采集并统合后将病灶数据发送给深度自编码模块;
3)深度自编码模块,用于接收滑窗模块发来的病灶数据,提取深度特征数据并发送给多通道信息融合模块,并接收用户交互模块反馈的用户更正标签,对自身储存的权值进行优化;
4)多通道信息融合模块,用于接收深度自编码模块发来的深度特征数据和用户交互模块发来的附加信息,分类后向用户交互模块发送结节风险指标;
5)用户交互模块,用于采集用户输入的信息,向多通道信息融合模块发送附加信息,接收多通道信息融合模块发来的结节风险指标并可视化呈现给用户,接收用户反馈的手工更正标签,发送给深度自编码模块。
针对上述的基于深度神经网络的甲状腺结节定量分析***,进一步地,其中的编码模块包括:数据接口、预处理模块和纳卡伽米统计分布模块;其中:
数据接口,用于读取超声仪器的数据,提取其中包含图像的原始数据,发送给预处理模块;预处理模块将所述的原始数据拆解,将其中的原始图像数据发送给纳卡伽米统计分布模块和滑窗模块;纳卡伽米统计分布模块,用于将原始图像数据利用纳卡伽米统计分布得到特征参数形状因子和尺度因子分布图,作为统计数据发送给滑窗模块。
作为优选,所述的基于深度神经网络的甲状腺结节定量分析***,其中,滑窗模块包括滑窗核组、结节识别器、聚类筛选器;滑窗核组由多个不同尺寸的滑窗核组成,接收编码模块发送的图像数据,从该图像数据中裁取各自尺寸的一小块作为感兴趣区域图像,发送给结节识别器,直至遍历完全部图像数据;结节识别器为一2-4层,由1000-3000个神经元组成的人工神经网络,底层神经元读取滑窗核组传来的多组感兴趣区域图像,并将顶层神经元输出的多组识别数据发送给聚类筛选器;聚类筛选器为一无监督聚类器,对所述的多组识别数据进行聚类,将聚类中心发送给深度自编码模块。
作为优选,所述的基于深度神经网络的甲状腺结节定量分析***中的深度自编码模块包括自编码网络、极值优化模块和权值储存器;权值储存器为一组矩阵,记录了自编码网络所需的各类参数;自编码网络为一深度自编码器,以滑窗模块发来的聚类中心为输入,以权值储存器中存储的数据为参数,将经过深度自编码器提取的深度特征发送给多通道信息融合模块和极值优化模块;极值优化模块接收用户交互模块发送的用户更正标签和自编码网络发送的深度特征,通过神经网络损失函数对权值储存器中的数据进行基于甲状腺特征的正则化优化。用户更正标签,是由用户选择的结节与甲状腺指南所对应甲状腺特征分级类别。
作为优选,所述的基于深度神经网络的甲状腺结节定量分析***,其中的多通道信息融合模块是一有监督学习的分类器,其输入为深度自编码模块发送的深度特征、编码模块发送的统计数据和用户交互模块发送的附加信息,输出结节风险指标,并发送给用户交互模块。
作为优选,所述的基于深度神经网络的甲状腺结节定量分析***,其中的用户交互模块为一可视化展示交互平台,接收用户输入的附加信息,发送给多通道信息融合模块,获取多通道信息融合模块发送的结节风险指标呈现给用户,接收用户对该结节的人工评价并发送给深度自编码模块。
与现有技术相比,本发明的有益效果是:
本发明提供一种超声甲状腺结节风险指标的智能分析方法及***,基于超声数据,利用深度神经网络,对甲状腺结节风险指标进行定量分析;本发明健壮性高,敏感性好,可用于大规模临床使用。本发明的优点包括:
(一)本发明针对病灶特征对自编码器进行带有正则化约束的导向训练,能够对甲状腺结节提供具有针对性的分析评价。
(二)本发明基于深度神经网络进行定量评价,健壮性高,错误率少,具有动态学习能力,能够适应变化的疾病大环境。
附图说明
图1为本发明提供的智能分析方法及***的结构与流程框图。
图2为本发明提供的智能分析方法及***中编码模块的结构框图。
图3为本发明提供的智能分析方法及***中滑窗模块的结构框图。
图4为本发明提供的智能分析方法及***中深度自编码模块的结构框图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种超声甲状腺结节风险指标的智能分析方法及***,基于超声数据,利用深度神经网络,对甲状腺结节风险指标进行定量分析;本发明健壮性高,敏感性好,可用于大规模临床使用。
图1示意了本发明提供的基于深度神经网络的甲状腺结节定量分析方法及***的结构和流程,***包括编码模块1,滑窗模块2,深度自编码模块3,多通道信息融合模块4和用户交互模块5。
其中,编码模块1与超声采集仪器相接,从设备上读取DICOM超声序列数据,提取其中的图像数据并计算其统计分布,发送给滑窗模块2。滑窗模块2接收到编码模块1的数据后遍历完全部图像数据,寻找结节。将找到的结节截取下来,进行聚类分析后,将聚类中心发送给深度自编码模块3。自编码模块3对聚类中心进行深度学习抽象,将结果的深度特征数据发送给多通道信息融合模块4。多通道信息融合模块4接收到深度特征数据后,向用户交互模块5请求附加信息,用户根据自身情况进行填写后,用户交互模块5将附加信息发送给多通道信息融合模块4,多通道信息融合模块综合附加信息和深度特征数据,基于人工神经网络进行分析,将得到的结节风险指标发送给用户交互模块5。用户交互模块5将受到的结节风险指标可视化呈现给用户,如指标与用户期望不符,由用户输入纠正后的结节风险指标,即用户更正标签,并将其发送给深度自编码模块3。深度自编码模块3收到用户更正标签后对其参数进行修正,并更新。
参照图2,所述的编码模块1包括数据接口11,预处理模块12,纳卡伽米统计分布模块 13,给预处理模块12去除患者姓名、扫描日期等文字信息,将图像信息发送给纳卡伽米统计分布模块13和滑窗模块2。纳卡伽米统计分布模块对图像信息进行分析,将统计数据发送给滑窗模块2。
参照图3,所述的滑窗模块2包括滑窗核组21,结节识别器22,聚类筛选器23。滑窗核组包含多个滑窗核,如滑窗核211,滑窗核212,滑窗核213。以图3为例,3枚滑窗核分别接受从编码模块1传来的图像数据,按照不同的尺寸,每次取对应尺寸的图像块,将取出的感兴趣区域图像发给结节识别器22,直至各滑窗核均遍历完全图。结节识别器由底层神经元读取滑窗核组21传来的多组感兴趣区域图像,按神经网络传递方式,逐层向上传播,直至顶层,顶层将最终结果的多组识别数据发送给聚类筛选器23。聚类筛选器23是一无监督聚类器,如消息传播聚类器,自组织神经网络,最近邻聚类器等,聚类筛选器完成聚类后,将各类的聚类中心作为筛选后的最有代表性数据发送给自编码模块3。
参照图4,所述的自编码模块3包括自编码网络31,权值优化模块32和权值储存器33。自编码网络31为一深度自编码器,以滑窗模块发来的聚类中心为输入,当有多个聚类中心输入时,看作多个独立的病灶进行识别。自编码网络运行时,以权值储存器33中存储的数据为参数,基于人工神经网络传递规则进行传递,将经过深度自编码器最顶层的输出,作为自编码网络31提取出的深度特征,发送给多通道信息融合模块4和极值优化模块32。极值优化模块在接收到用户交互模块5发送的用户更正标签后,由自编码网络31发送的深度特征,根据下式对权值储存器33中的数据进行基于甲状腺特征的正则化优化,使自编码器的聚类结果依据甲状腺标准分类得到类间距离最大,类内距离最小的结果,引导自编码模块的输出向着甲状腺评价特化的方向优化。
式中,J(W,b)是传统神经网络损失函数,fi是当前结节的深度特征,fv是与用户更正标签对应的类的平均深度特征,fj是与用户更正标签不对应的所有类的平均深度特征,α和β为可调参数。所述的权值储存器33为一储存器,储存有一组矩阵,记录了自编码网络所需的各类参数。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (10)
1.一种超声甲状腺结节风险指标的智能分析方法,利用深度人工神经网络,针对超声数据进行定量分析,获取甲状腺结节风险指标;包括如下步骤:
1)读取超声数据,进行预处理,获取图像数据和统计数据;
2)将获取的图像数据输入到结节识别器,得到输出层结果;通过对所述输出层结果进行聚类分析,得到聚类中心;所述结节识别器为一深度人工神经网络;
3)设置深度自编码器所需的参数,将所述聚类中心输入深度自编码器的输入层进行深度学习,以深度自编码器的输出层结果作为深度特征数据;进一步可通过基于甲状腺特征的正则化优化方法优化深度自编码器;
4)利用深度特征数据,再向用户请求获取附加信息;将附加信息和深度特征数据输入到分类器,基于人工神经网络进行分析,得到结节风险指标;还可通过用户交互操作对结节风险指标进行纠正,再转到步骤3)对深度自编码器的参数进行修正并更新。
2.如权利要求1所述智能分析方法,其特征是,步骤1)从设备上读取DICOM超声序列数据进行预处理,所述预处理包括拆解原始数据、去除文字信息,获取原始图像数据;再通过纳卡伽米统计分布法对原始图像数据进行统计分析,得到特征参数形状因子和尺度因子分布图,作为统计数据。
3.如权利要求1所述智能分析方法,其特征是,步骤2)所述聚类分析具体包括如下步骤:
21)从图像数据中裁取多个可调尺寸的小块,作为感兴趣区域图像;将图像数据划分成多组感兴趣区域图像,发送到结节识别器进行识别,输出多组识别数据;
22)利用聚类筛选器对所述多组识别数据进行聚类,得到聚类中心;所述聚类筛选器是一个无监督聚类器。
4.如权利要求3所述智能分析方法,其特征是,所述结节识别器是一个人工神经网络,包括2-4层,由1000-3000个神经元组成;底层神经元读取多组感兴趣区域图像,顶层神经元输出多组识别数据,为输出层结果;通过设定判定阈值,当输出层结果大于所述判定阈值时,将输出层结果存到甲状腺结节列表中;遍历全部图像数据之后,将甲状腺结节列表进行聚类分析,由此得到聚类中心。
5.如权利要求1所述智能分析方法,其特征是,步骤3)进行深度学习具体包括如下步骤:
31)将设置深度自编码器所需的参数组成一组权值矩阵;
32)将步骤2)得到的聚类中心输入到深度自编码器,提取得到深度特征;
33)根据用户更正标签和深度特征,根据下式对步骤31)中的权值矩阵进行正则化优化,得到优化后的各类参数:
式中,J(W,b)是传统神经网络损失函数;fi是当前结节的深度特征;fv是与用户更正标签对应的类的平均深度特征;fj是与用户更正标签不对应的所有类的平均深度特征;α和β为可调参数;用户更正标签为由用户选择的结节与甲状腺指南所对应甲状腺特征分级类别。
6.如权利要求1所述智能分析方法,其特征是,步骤4)所述分类器是一个有监督学习的分类器,用于进行多通道信息融合,分类器的输入为步骤3)得到的深度特征数据、步骤1)中的统计数据和用户附加信息,分类器的输出是结节风险指标。
7.一种超声甲状腺结节风险指标的智能分析***,包括编码模块、滑窗模块、深度自编码模块、多通道信息融合模块和用户交互模块;其中:
编码模块用于读取超声数据,将图像数据和统计数据发送给滑窗模块;
滑窗模块用于接受编码模块传来的图像数据和统计数据,滑窗采集并统合后将病灶数据发送给深度自编码模块;
深度自编码模块用于接收滑窗模块发来的病灶数据,提取深度特征数据并发送给多通道信息融合模块,并接收用户交互模块反馈的用户更正标签,对自身储存的权值进行优化;
多通道信息融合模块用于接收深度自编码模块发来的深度特征数据和用户交互模块发来的附加信息,分类后向用户交互模块发送结节风险指标;
用户交互模块,用于采集用户输入的信息,向多通道信息融合模块发送附加信息,接收多通道信息融合模块发来的结节风险指标并可视化呈现给用户,接收用户反馈的手工更正标签,发送给深度自编码模块。
8.如权利要求7所述智能分析***,其特征是,所述编码模块包括:数据接口、预处理模块和纳卡伽米统计分布模块;其中:数据接口用于读取超声仪器的数据,提取其中包含图像的原始数据,发送给预处理模块;预处理模块将所述原始数据拆解,将其中的原始图像数据发送给纳卡伽米统计分布模块和滑窗模块;纳卡伽米统计分布模块用于将原始图像数据利用纳卡伽米统计分布得到特征参数形状因子和尺度因子分布图,作为统计数据发送给滑窗模块。
9.如权利要求7所述智能分析***,其特征是,所述滑窗模块包括滑窗核组、结节识别器和聚类筛选器;所述滑窗核组由多个不同尺寸的滑窗核组成,接收编码模块发送的图像数据,从该图像数据中裁取感兴趣区域图像,发送给结节识别器,直至遍历完全部图像数据;所述结节识别器为人工神经网络,底层神经元读取滑窗核组传来的多组感兴趣区域图像,并将顶层神经元输出的多组识别数据发送给聚类筛选器;聚类筛选器为一无监督聚类器,对所述多组识别数据进行聚类,将聚类中心发送给深度自编码模块。
10.如权利要求7所述智能分析***,其特征是,所述深度自编码模块包括自编码网络、极值优化模块和权值储存器;所述权值储存器为一组矩阵,用于记录自编码网络所需的参数;所述自编码网络为一深度自编码器,以滑窗模块发来的聚类中心为输入,以权值储存器中存储的数据为参数,将经过自编码网络提取的深度特征发送给多通道信息融合模块和极值优化模块;极值优化模块接收用户交互模块发送的用户更正标签和自编码网络发送的深度特征,通过神经网络损失函数对权值储存器中的数据进行基于甲状腺特征的正则化优化;所述用户更正标签是由用户选择的结节与甲状腺指南所对应甲状腺特征分级类别;
所述多通道信息融合模块是一有监督学习的分类器,输入为深度自编码模块发送的深度特征、编码模块发送的统计数据和用户交互模块发送的附加信息,输出结节风险指标,并发送给用户交互模块;
所述用户交互模块为一可视化展示交互平台,接收用户输入的附加信息,发送给多通道信息融合模块,获取多通道信息融合模块发送的结节风险指标呈现给用户,接收用户对该结节的人工评价并发送给深度自编码模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710505381.2A CN107247971B (zh) | 2017-06-28 | 2017-06-28 | 一种超声甲状腺结节风险指标的智能分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710505381.2A CN107247971B (zh) | 2017-06-28 | 2017-06-28 | 一种超声甲状腺结节风险指标的智能分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107247971A true CN107247971A (zh) | 2017-10-13 |
CN107247971B CN107247971B (zh) | 2020-10-09 |
Family
ID=60014318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710505381.2A Expired - Fee Related CN107247971B (zh) | 2017-06-28 | 2017-06-28 | 一种超声甲状腺结节风险指标的智能分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107247971B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108670303A (zh) * | 2018-02-26 | 2018-10-19 | 长庚大学 | 超音波影像均匀度检测方法及其*** |
CN108805918A (zh) * | 2018-06-11 | 2018-11-13 | 南通大学 | 基于dcae结构的病理图像染色不变性低维表示方法 |
CN108962387A (zh) * | 2018-06-14 | 2018-12-07 | 暨南大学附属第医院(广州华侨医院) | 一种基于大数据的甲状腺结节风险预测方法及*** |
CN110516688A (zh) * | 2019-08-30 | 2019-11-29 | 北京推想科技有限公司 | 肺结节属性特征信息的提取方法及*** |
CN110648311A (zh) * | 2019-09-03 | 2020-01-03 | 南开大学 | 一种基于多任务学习的痤疮图像病灶分割与计数网络模型 |
CN111292801A (zh) * | 2020-01-21 | 2020-06-16 | 西湖大学 | 蛋白质质谱结合深度学习评估甲状腺结节的方法 |
CN111553919A (zh) * | 2020-05-12 | 2020-08-18 | 上海深至信息科技有限公司 | 一种基于弹性超声成像的甲状腺结节分析*** |
CN112259232A (zh) * | 2020-10-26 | 2021-01-22 | 山东众阳健康科技集团有限公司 | 一种基于深度学习的vte风险自动评估*** |
CN112418652A (zh) * | 2020-11-19 | 2021-02-26 | 税友软件集团股份有限公司 | 一种风险识别方法及相关装置 |
US10993653B1 (en) | 2018-07-13 | 2021-05-04 | Johnson Thomas | Machine learning based non-invasive diagnosis of thyroid disease |
CN112927808A (zh) * | 2021-03-01 | 2021-06-08 | 北京小白世纪网络科技有限公司 | 一种基于甲状腺超声图像的结节分级***及方法 |
CN113299391A (zh) * | 2021-05-25 | 2021-08-24 | 李玉宏 | 远程甲状腺结节超声影像的风险评估方法 |
CN113469269A (zh) * | 2021-07-16 | 2021-10-01 | 上海电力大学 | 基于多通道融合的残差卷积自编码风光荷场景生成方法 |
CN114529760A (zh) * | 2022-01-25 | 2022-05-24 | 北京医准智能科技有限公司 | 一种针对甲状腺结节的自适应分类方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101517614A (zh) * | 2006-09-22 | 2009-08-26 | 皇家飞利浦电子股份有限公司 | 肺结节的高级计算机辅助诊断 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 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 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107273925A (zh) * | 2017-06-12 | 2017-10-20 | 太原理工大学 | 一种基于局部感受野和半监督深度自编码的肺结节诊断方法 |
-
2017
- 2017-06-28 CN CN201710505381.2A patent/CN107247971B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101517614A (zh) * | 2006-09-22 | 2009-08-26 | 皇家飞利浦电子股份有限公司 | 肺结节的高级计算机辅助诊断 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 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 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107273925A (zh) * | 2017-06-12 | 2017-10-20 | 太原理工大学 | 一种基于局部感受野和半监督深度自编码的肺结节诊断方法 |
Non-Patent Citations (2)
Title |
---|
JULIANDEWIT: ""2nd place solution for the 2017 national datascience bowl"", 《HTTP://JULIANDEWIT.GITHUB.IO/KAGGLE-NDSB2017/》 * |
KIM B C: ""Deep feature learning for pulmonary nodule classification in a lung CT"", 《2016 4TH INTERNATIONAL WINTER CONFERENCE ON BRAIN-COMPUTER INTERFACE (BCI)》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108670303B (zh) * | 2018-02-26 | 2021-06-25 | 长庚大学 | 超音波影像均匀度检测方法及其*** |
CN108670303A (zh) * | 2018-02-26 | 2018-10-19 | 长庚大学 | 超音波影像均匀度检测方法及其*** |
CN108805918A (zh) * | 2018-06-11 | 2018-11-13 | 南通大学 | 基于dcae结构的病理图像染色不变性低维表示方法 |
CN108805918B (zh) * | 2018-06-11 | 2022-03-01 | 南通大学 | 基于dcae结构的病理图像染色不变性低维表示方法 |
CN108962387A (zh) * | 2018-06-14 | 2018-12-07 | 暨南大学附属第医院(广州华侨医院) | 一种基于大数据的甲状腺结节风险预测方法及*** |
US10993653B1 (en) | 2018-07-13 | 2021-05-04 | Johnson Thomas | Machine learning based non-invasive diagnosis of thyroid disease |
CN110516688A (zh) * | 2019-08-30 | 2019-11-29 | 北京推想科技有限公司 | 肺结节属性特征信息的提取方法及*** |
CN110648311A (zh) * | 2019-09-03 | 2020-01-03 | 南开大学 | 一种基于多任务学习的痤疮图像病灶分割与计数网络模型 |
CN110648311B (zh) * | 2019-09-03 | 2023-04-18 | 南开大学 | 一种基于多任务学习的痤疮图像病灶分割与计数网络模型 |
CN111292801A (zh) * | 2020-01-21 | 2020-06-16 | 西湖大学 | 蛋白质质谱结合深度学习评估甲状腺结节的方法 |
CN111553919A (zh) * | 2020-05-12 | 2020-08-18 | 上海深至信息科技有限公司 | 一种基于弹性超声成像的甲状腺结节分析*** |
CN111553919B (zh) * | 2020-05-12 | 2022-12-30 | 上海深至信息科技有限公司 | 一种基于弹性超声成像的甲状腺结节分析*** |
CN112259232A (zh) * | 2020-10-26 | 2021-01-22 | 山东众阳健康科技集团有限公司 | 一种基于深度学习的vte风险自动评估*** |
CN112418652A (zh) * | 2020-11-19 | 2021-02-26 | 税友软件集团股份有限公司 | 一种风险识别方法及相关装置 |
CN112418652B (zh) * | 2020-11-19 | 2024-01-30 | 税友软件集团股份有限公司 | 一种风险识别方法及相关装置 |
CN112927808A (zh) * | 2021-03-01 | 2021-06-08 | 北京小白世纪网络科技有限公司 | 一种基于甲状腺超声图像的结节分级***及方法 |
CN113299391B (zh) * | 2021-05-25 | 2023-11-03 | 李玉宏 | 远程甲状腺结节超声影像的风险评估方法 |
CN113299391A (zh) * | 2021-05-25 | 2021-08-24 | 李玉宏 | 远程甲状腺结节超声影像的风险评估方法 |
CN113469269A (zh) * | 2021-07-16 | 2021-10-01 | 上海电力大学 | 基于多通道融合的残差卷积自编码风光荷场景生成方法 |
CN114529760B (zh) * | 2022-01-25 | 2022-09-02 | 北京医准智能科技有限公司 | 一种针对甲状腺结节的自适应分类方法及装置 |
CN114529760A (zh) * | 2022-01-25 | 2022-05-24 | 北京医准智能科技有限公司 | 一种针对甲状腺结节的自适应分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107247971B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247971A (zh) | 一种超声甲状腺结节风险指标的智能分析方法及*** | |
CN112150478B (zh) | 一种构建半监督图像分割框架的方法及*** | |
CN110503654A (zh) | 一种基于生成对抗网络的医学图像分割方法、***及电子设备 | |
CN109493346A (zh) | 一种基于多损失的胃癌病理切片图像分割方法和装置 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN109214375A (zh) | 一种基于分段采样视频特征的胚胎妊娠结果预测装置 | |
CN109544507A (zh) | 一种病理图像处理方法及***、设备、存储介质 | |
CN110245657A (zh) | 病理图像相似性检测方法及检测装置 | |
CN110115563A (zh) | 一种中医证型预测*** | |
CN110009605A (zh) | 一种基于深度学习的骨龄预测方法及*** | |
CN110265119A (zh) | 骨龄评估与身高预测模型、其***及其预测方法 | |
CN111814563B (zh) | 一种种植结构的分类方法及装置 | |
CN109102498A (zh) | 一种宫颈涂片图像中簇型细胞核分割的方法 | |
CN117831080B (zh) | 基于深度学习的猪生长状况预测装置 | |
CN113627564A (zh) | 基于深度学习的ct医学影像处理模型训练方法及诊疗*** | |
CN112508902A (zh) | 白质高信号分级方法、电子设备及存储介质 | |
CN113662664A (zh) | 一种基于仪器追踪的外科手术质量客观自动化评估方法 | |
CN117711611B (zh) | 一种基于场景融合和mr的MDT远程会诊***及方法 | |
CN115471716A (zh) | 一种基于知识蒸馏的胸部放射影像疾病分类模型轻量化方法 | |
CN108090507A (zh) | 一种基于集成方法的医疗影像纹理特征处理方法 | |
CN109948569A (zh) | 一种利用粒子滤波框架的三维混合表情识别方法 | |
CN113255734A (zh) | 一种基于自监督学习和迁移学习的抑郁症分类方法 | |
CN116630289A (zh) | 一种基于多模态mri的脑胶质瘤cdkn2a/b基因状态分类预测方法 | |
Celard et al. | Study on synthetic video generation of embryo development | |
CN113378898B (zh) | 基于相对熵损失函数卷积神经网络的脑龄预测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201009 |