技术摘要：
本发明公开了一种基于卷积神经网络的甲状腺结节自动识别模型构建方法、系统及设备，所述方法包括：对甲状腺超声图像进行数据降噪，获取训练数据集和测试数据集；将训练数据集输入到ResNet、DenseNet、和/或ResNext进行甲状腺结节恶性概率的训练，得到甲状腺结节自动识 全部
背景技术：
过去二十年来在全球范围内，甲状腺癌的发病率一直在增加。男性甲状腺癌患病 率是女性患病率的三倍，且在中国，甲状腺癌成为30岁左右女性最常见的癌症之一。超声是 筛查甲状腺癌的主要手段，其检测结果好坏通常由超声医生根据经验判别，因此甲状腺结 节的良恶性检出取决于医生的水平。根据Reporting and Data System(TI-RADS)指南，将 甲状腺癌划分I-V五个不同的时间阶段，同样甲状腺癌按性质可划分为乳头状，滤泡状，髓 质和间变性四种类型，患有甲状腺癌的5年存活率近99.7％，但是该值会随着甲状腺癌子类 不同而不同，乳头状，滤泡状，髓质癌在阶段I、II值存活率为近100％；在阶段III，髓质癌存 活率为71％，间变性癌存活率为81％，乳头状癌存活率为93％；而在阶段IV，间变性癌存活 率为7％，髓质性癌存活率为28％，滤泡状癌存活率为50％，乳头状癌则为51％。鉴于甲状腺 癌在早期发现存活率较高，因此使用人工智能算法甲状腺超声图像自动算法可以帮助医生 提高甲状腺癌的检出率，尤其是患有乳头状癌的患者，这样可以避免穿刺活检及甲状腺切 除等痛苦及昂贵的手段。 传统机器学习方法的甲状腺癌自动识别往往分为两步走，首先提取特征，然后使 用分类器进行分类。常用的提取特征的方法有SIFT、HOG、Haar-like、LBP特征等等，提取特 征的好坏决定自动识别的效果；特征提取工作需要不断调参，是一件耗时费力的事情，与技 术的经验有很大相关，经验丰富的专家往往提取出的特征更为有用，但拥有这样丰富的技 术人员不多。常用的分类器有SVM、决策树、逻辑回归等等，不同的分类器在不同任务上效果 不一，但效果不会相差太远。 随着深度学习的复兴，特别是在2012年，卷积神经网络(CNN)在ImageNet任务的突 出效果引起世人极大关注，随后在图像识别领域获得统治地位，由于其在图像识别、定位、 分割等各种视觉任务上取得的出色表现，渐渐的在医疗领域也不断应用。与传统机器学习 方法不同，深度学习是一种端对端的方式，其能自动提取图像特征，因此可以免去传统机器 学习上许多弊端。 从目前的研究现状来看，传统的机器学习方法在甲状腺自动识别上取得了一定的 效果，使用深度学习方法也获得了相当效果，但随着时间推移，深度学习图像识别框架发生 了巨大改进，但目前的甲状腺自动识别的研究还是使用较老的框架，因此效果还有提升的 空间。因此甲状腺自动识别工作尚需进一步研究。
技术实现要素：
本发明的目的在于提供一种基于卷积神经网络的甲状腺结节自动识别模型构建 方法、系统及设备，旨在解决现有技术中的上述问题。 4 CN 111598876 A 说 明 书 2/9 页 本发明提供一种基于卷积神经网络的甲状腺结节自动识别模型构建方法，包括： 对甲状腺超声图像进行数据降噪，获取训练数据集和测试数据集； 将训练数据集输入到ResNet、DenseNet、和/或ResNext进行甲状腺结节恶性概率 的训练，得到甲状腺结节自动识别模型； 采用测试数据集对甲状腺结节自动识别模型进行测试。 本发明提供一种基于卷积神经网络的甲状腺结节自动识别模型构建系统，包括： 降噪模块，用于对甲状腺超声图像进行数据降噪，获取训练数据集和测试数据集； 训练模块，用于将训练数据集输入到ResNet、DenseNet、和/或ResNext进行甲状腺 结节恶性概率的训练，得到甲状腺结节自动识别模型； 测试模块，用于采用测试数据集对甲状腺结节自动识别模型进行测试。 本发明实施例还提供一种基于卷积神经网络的甲状腺结节自动识别模型构建设 备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序， 所述计算机程序被所述处理器执行时实现上述基于卷积神经网络的甲状腺结节自动识别 模型构建方法的步骤。 本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储 有信息传递的实现程序，所述程序被处理器执行时实现上述基于卷积神经网络的甲状腺结 节自动识别模型构建方法的步骤。 采用本发明实施例，在甲状腺自动识别中，使用最新卷积神经网络框架以一种端 对端的技术方案对甲状腺超声图像进行自动识别模型的构建，提升自动识别效果，能在甲 状腺癌早期阶段完成检测工作，从而不用使用穿刺等代价昂贵的工作，辅助医生完成对甲 状腺癌的筛查。 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段， 而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够 更明显易懂，以下特举本发明的
