技术特征：
1.一种甲状腺结节边缘征象分类方法，其特征在于，包括：获取甲状腺超声图像训练集；构建卷积神经网络模型，所述卷积神经网络模型包括特征提取模型和依次连接在所述特征提取模型之后的卷积层、池化层和全连接层，所述特征提取模型为resnet网络模型、densenet网络模型和resnext网络模型三者中的一种；以所述训练集中的甲状腺超声图像作为所述卷积神经网络模型的输入、以分类结果作为所述卷积神将网络模型的输出，训练所述卷积神经网络模型，所述分类结果包括光滑、模糊、分叶、不规则及向甲状腺外延伸；根据所述卷积神经网络模型对待处理甲状腺超声图像中甲状腺结节边缘征象进行分类。2.根据权利要求1所述的方法，其特征在于，在所述卷积神经网络模型训练完成后，采用新的甲状腺超声图像对所述卷积神经网络模型调整，进行卷积神经网络模型迁移学习，其中新的甲状腺超声图像与训练集中的甲状腺超声图像来自不同的仪器。3.根据权利要求1所述的方法，其特征在于，在训练所述卷积神经网络模型之前，对训练集中甲状腺超声图像进行降噪处理：对甲状腺超声图像进行灰度化处理，得到二值化图像，并对二值化图像进行开运算；随机挑选部分甲状腺超声图像进行数据增强：对甲状腺超声图像进行亮度改变、旋转、平移以及翻折。4.根据权利要求1所述的方法，其特征在于，在获取甲状腺超声图像训练集时，对占比较少的甲状腺超声图像进行重复采样。5.一种甲状腺结节边缘征象分类装置，其特征在于，包括：数据获取模块，用于获取甲状腺超声图像训练集；模型构建模块，用于构建卷积神经网络模型，所述卷积神经网络模型包括特征提取模型和依次连接在所述特征提取模型之后的卷积层、池化层和全连接层，所述特征提取模型为resnet网络模型、densenet网络模型和resnext网络模型三者中的一种；模型训练模块，用于以所述训练集中的甲状腺超声图像作为所述卷积神经网络模型的输入、以分类结果作为所述卷积神将网络模型的输出，训练所述卷积神经网络模型，所述分类结果包括光滑、模糊、分叶、不规则及向甲状腺外延伸；图像分类模块，用于根据所述卷积神经网络模型对待处理甲状腺超声图像中甲状腺结节边缘征象进行分类。6.根据权利要求5所述的装置，其特征在于，所述模型训练模块还用于：在所述卷积神经网络模型训练完成后，采用新的甲状腺超声图像对所述卷积神经网络模型调整，进行卷积神经网络模型迁移学习；其中，新的甲状腺超声图像与训练集中的甲状腺超声图像来自不同的仪器。7.根据权利要求5所述的装置，其特征在于，所述数据获取模块还用于：在训练所述卷积神经网络模型之前，对训练集中甲状腺超声图像进行降噪处理：对甲状腺超声图像进行灰度化处理，得到二值化图像，并对二值化图像进行开运算；随机挑选部分甲状腺超声图像进行数据增强：对甲状腺超声图像进行亮度改变、旋转、
平移以及翻折。8.根据权利要求5所述的装置，其特征在于，所述数据获取模块还用于：在获取甲状腺超声图像训练集时，对占比较少的甲状腺超声图像进行重复采样。9.一种甲状腺结节边缘征象分类系统，其特征在于，包括如权利要求5至8中任一项所述的甲状腺结节边缘征象分类装置。10.一种甲状腺结节边缘征象分类系统，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4中任一项所述的方法。
技术总结
本申请的实施例提供了一种甲状腺结节边缘征象分类方法、装置和系统，该方法包括：获取甲状腺超声图像训练集；构建卷积神经网络模型；以训练集中的甲状腺超声图像作为卷积神经网络模型的输入、以分类结果作为卷积神将网络模型的输出，训练卷积神经网络模型；根据卷积神经网络模型对待处理甲状腺超声图像中甲状腺结节边缘征象进行分类。本申请能够辅助医生完成对甲状腺结节边缘征象的分类，避免了因边缘征象分类不够准确而导致TI
技术研发人员：杜强 严亚飞 王晓勇 牟晓勇 聂方兴
受保护的技术使用者：北京小白世纪网络科技有限公司
技术研发日：2021.06.11
技术公布日：2021/9/24