本發(fā)明涉及超聲圖像識(shí)別技術(shù)領(lǐng)域，特別是涉及一種甲狀腺乳頭狀癌的超聲圖像識(shí)別方法及裝置。

背景技術(shù)：

近年來，癌癥的患病率越來越高，對(duì)患者的病灶做出準(zhǔn)確、快速的診斷是非常重要的一個(gè)環(huán)節(jié)。在對(duì)癌癥進(jìn)行診斷時(shí)，較為常規(guī)的診斷方法是在顯微鏡下對(duì)病理切片進(jìn)行人工的細(xì)胞病理形態(tài)的定性分析，而這種診斷方法往往帶有很大的主觀性，尤其當(dāng)癌變的特征不太明顯或者取樣較少時(shí)，將會(huì)造成主觀診斷不確定性的增加。

隨著數(shù)字圖像處理技術(shù)和模式識(shí)別與人工智能技術(shù)的發(fā)展，用計(jì)算機(jī)進(jìn)行輔助診斷能盡量減少對(duì)癌細(xì)胞的誤判，提高診斷的準(zhǔn)確率。通常是通過對(duì)病灶的超聲圖像的識(shí)別來進(jìn)行相應(yīng)的診斷，但是，目前對(duì)甲狀腺乳頭狀癌的超聲圖像的識(shí)別是通過人工進(jìn)行識(shí)別的，同樣造成診斷的不確定性增加，在一定程度上降低了診斷的準(zhǔn)確度。

因此，如何提高一種解決上述技術(shù)問題的甲狀腺乳頭狀癌的超聲圖像識(shí)別方法成為本領(lǐng)域的技術(shù)人員需要解決的問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種甲狀腺乳頭狀癌的超聲圖像識(shí)別方法及裝置，在使用過程中可以對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行準(zhǔn)確的識(shí)別，以便于輔助醫(yī)生的診斷，降低診斷的不確定性，提高診斷的準(zhǔn)確度。

為解決上述技術(shù)問題，本發(fā)明提供了一種甲狀腺乳頭狀癌的超聲圖像識(shí)別方法，包括采用預(yù)先建立的甲狀腺乳頭狀癌超聲圖像識(shí)別模型對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行識(shí)別；

所述甲狀腺乳頭狀癌超聲圖像識(shí)別模型的建立過程為：對(duì)各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行預(yù)處理；將經(jīng)過預(yù)處理的各個(gè)所述用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行歸一化；建立卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)包括n個(gè)卷積層、n個(gè)最大池化層、最大鏈路層和分類層，所述n個(gè)卷積層與所述n個(gè)最大池化層依次交替分布，所述n為大于1的整數(shù)；利用所述卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化后的各個(gè)所述用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行訓(xùn)練，得到甲狀腺乳頭狀癌超聲圖像識(shí)別模型。

可選的，所述將經(jīng)過預(yù)處理的各個(gè)所述用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行歸一化的過程具體為：

將經(jīng)過預(yù)處理的各個(gè)所述用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像的大小按照35*35的格式進(jìn)行歸一化。

可選的，所述n為3；

則，三個(gè)所述卷積層的卷積核的大小分別為5*5、3*3和3*3；所述全鏈路層包括128個(gè)神經(jīng)元。

可選的，所述利用所述卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化后的各個(gè)所述用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行訓(xùn)練的過程具體為：

采用隨機(jī)梯度下降法對(duì)輸入至所述卷積神經(jīng)網(wǎng)絡(luò)中的、歸一化后的各個(gè)所述用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行訓(xùn)練。

可選的，所述隨機(jī)梯度下降法依據(jù)計(jì)算關(guān)系式對(duì)θ進(jìn)行迭代以得到損失函數(shù)的最優(yōu)解；其中，h(θ)表示擬合函數(shù)，θ表示參數(shù)，m表示迭代總次數(shù)，i表示第幾次迭代，n表示參數(shù)的總個(gè)數(shù)，j表示第j個(gè)參數(shù)，x和y表示與所述參數(shù)對(duì)應(yīng)的特征的坐標(biāo)。

可選的，所述對(duì)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行預(yù)處理的過程具體為：

去除各個(gè)所述用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像中的空白部分、文字信息以及甲狀腺組織的背景。

可選的，各個(gè)所述卷積層的步長(zhǎng)均為1。

可選的，如上述所述的甲狀腺乳頭狀癌的超聲圖像識(shí)別方法，在對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像進(jìn)行識(shí)別之前，所述方法還包括：對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像進(jìn)行歸一化處理。

為解決上述技術(shù)問題，本發(fā)明提供了一種甲狀腺乳頭狀癌的超聲圖像識(shí)別裝置，包括識(shí)別模塊，用于采用預(yù)先建立的甲狀腺乳頭狀癌超聲圖像識(shí)別模型對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行識(shí)別；

所述甲狀腺乳頭狀癌超聲圖像識(shí)別模型的建立過程為：對(duì)各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行預(yù)處理；將經(jīng)過預(yù)處理的各個(gè)所述用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行歸一化；建立卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)包括n個(gè)卷積層、n個(gè)最大池化層、最大鏈路層和分類層，所述n個(gè)卷積層與所述n個(gè)最大池化層依次交替分布，所述n為大于1的整數(shù)；利用所述卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化后的各個(gè)所述用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行訓(xùn)練，得到甲狀腺乳頭狀癌超聲圖像識(shí)別模型。

本發(fā)明提供了一種甲狀腺乳頭狀癌的超聲圖像識(shí)別方法及裝置，包括采用預(yù)先建立的甲狀腺乳頭狀癌超聲圖像識(shí)別模型對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行識(shí)別；甲狀腺乳頭狀癌超聲圖像識(shí)別模型的建立過程為：對(duì)各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行預(yù)處理；將經(jīng)過預(yù)處理的各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行歸一化；建立卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)包括n個(gè)卷積層、n個(gè)最大池化層、最大鏈路層和分類層，n個(gè)卷積層與n個(gè)最大池化層依次交替分布，n為大于1的整數(shù)；利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化后的各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行訓(xùn)練，得到甲狀腺乳頭狀癌超聲圖像識(shí)別模型。

本發(fā)明中的甲狀腺乳頭狀癌超聲圖像識(shí)別模型是采用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)通過獲取大量的甲狀腺乳頭狀癌超聲圖像的特征并對(duì)這些超聲圖像進(jìn)行相應(yīng)的訓(xùn)練得到的，采用該甲狀腺乳頭狀癌超聲圖像識(shí)別模型可以對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行準(zhǔn)確的識(shí)別，以便于輔助醫(yī)生的診斷，降低診斷的不確定性，提高診斷的準(zhǔn)確度。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)現(xiàn)有技術(shù)和實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明提供的一種甲狀腺乳頭狀癌的超聲圖像識(shí)別方法的流程示意圖；

圖2為本發(fā)明所提供的一種卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

本發(fā)明提供了一種甲狀腺乳頭狀癌的超聲圖像識(shí)別方法及裝置，在使用過程中可以對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行準(zhǔn)確的識(shí)別，以便于輔助醫(yī)生的診斷，降低診斷的不確定性，提高診斷的準(zhǔn)確度。

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參照?qǐng)D1，圖1為本發(fā)明提供的一種甲狀腺乳頭狀癌的超聲圖像識(shí)別方法的流程示意圖。該方法包括：

步驟10：對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像進(jìn)行歸一化處理。

需要說明的是，本發(fā)明預(yù)先會(huì)建立一個(gè)甲狀腺乳頭狀癌超聲圖像識(shí)別模型，并采用該模型對(duì)待處理的甲狀腺乳頭狀超生圖片的特征進(jìn)行識(shí)別，那么采用該模型在對(duì)待處理的甲狀腺乳頭狀超生圖片的特征進(jìn)行識(shí)別之前可以對(duì)該甲狀腺乳頭狀超生圖片進(jìn)行預(yù)處理，主要可以對(duì)其進(jìn)行歸一化處理，以便于在使用訓(xùn)練好的甲狀腺乳頭狀癌超聲圖像識(shí)別模型能夠準(zhǔn)確的識(shí)別和預(yù)測(cè)癌癥病灶部分。

步驟20：采用預(yù)先建立的甲狀腺乳頭狀癌超聲圖像識(shí)別模型對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行識(shí)別；

甲狀腺乳頭狀癌超聲圖像識(shí)別模型的建立過程為：對(duì)各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行預(yù)處理；將經(jīng)過預(yù)處理的各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行歸一化；建立卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)包括n個(gè)卷積層、n個(gè)最大池化層、最大鏈路層和分類層，n個(gè)卷積層與n個(gè)最大池化層依次交替分布，n為大于1的整數(shù)；利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化后的各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行訓(xùn)練，得到甲狀腺乳頭狀癌超聲圖像識(shí)別模型。

具體的，本發(fā)明預(yù)先利用大量的用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像(歷史樣本圖像)建立一個(gè)甲狀腺乳頭狀癌超聲圖像識(shí)別模型，該模型是利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)各個(gè)深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像訓(xùn)練得到的。

首先，需要對(duì)各個(gè)用于對(duì)各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行預(yù)處理，例如，通過剪裁的方式去除各個(gè)歷史樣本圖像周圍的空白處以及一些文字部分(例如，圖像中的logo部分等)，當(dāng)然，還可以將圖像中甲狀腺組織的背景部分去掉，以便使病灶的特征更加明顯。對(duì)于去除圖像中甲狀腺組織的背景，可以通過調(diào)節(jié)rgb通道的光學(xué)密度值來實(shí)現(xiàn)對(duì)圖像背景的去除，其中，通道的光學(xué)密度為odc＝log10(i/imax)，c表示通道(rgb)，imax為最大光學(xué)密度，imax＝255，并且通過調(diào)整相應(yīng)的參數(shù)，當(dāng)odc＝0.2時(shí)，可以將圖像中所有的背景全部濾去。也可以采用其他的方法濾除圖像中的背景，本發(fā)明對(duì)此不做特殊限定。

需要說明的是，對(duì)這些圖像進(jìn)行預(yù)處理主要是為了更有效的利用好這些圖像以及更好的對(duì)癌癥病理圖像進(jìn)行標(biāo)注。

其次，對(duì)經(jīng)過預(yù)處理的各個(gè)歷史樣本圖像進(jìn)行歸一化處理，可以對(duì)各個(gè)歷史樣本圖像的大小進(jìn)行歸一化處理，本申請(qǐng)中優(yōu)選的可以按照35*35大小的rois(regionsofinterest，感興趣區(qū)域)對(duì)各個(gè)歷史樣本圖像的進(jìn)行歸一化分析，并且要盡量選擇甲狀腺實(shí)質(zhì)部分和估計(jì)有病灶的部分進(jìn)行歸一化，以減小誤差。

需要說明的是，卷積神經(jīng)網(wǎng)絡(luò)在構(gòu)建的過程中，可以包括n個(gè)卷積層、n個(gè)最大池化層。一個(gè)全鏈接層和一個(gè)分類層。各個(gè)卷積層用于提取圖像相應(yīng)部分的特征，并將提取到的特征輸入至相應(yīng)的最大池化層，以便相應(yīng)的最大池化層對(duì)這些卷積特征進(jìn)行取平均，以縮小隱藏節(jié)點(diǎn)對(duì)于卷積特征的維數(shù)，進(jìn)一步減小分類層的設(shè)計(jì)負(fù)擔(dān)。

請(qǐng)參照?qǐng)D2，圖2為本發(fā)明所提供的一種卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖，其中，n為3，也就是本申請(qǐng)中的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)選的包括三個(gè)卷積層、三個(gè)最大池化層、一個(gè)全鏈接層和一個(gè)分類層，三個(gè)卷積層和三個(gè)最大池化層從上往下依次交替進(jìn)行分布，并且每個(gè)卷積層均設(shè)有一個(gè)下采樣層，每個(gè)下采樣層均采用均值采樣法對(duì)特征進(jìn)行采樣提取。本申請(qǐng)中的三個(gè)卷積層依次分別包括4、8和16個(gè)特征圖，并且三個(gè)卷積層的卷積核的大小依次為5*5、3*3和3*3，各個(gè)卷積層的步長(zhǎng)優(yōu)選為1，故每個(gè)卷積層的下采樣層的步長(zhǎng)為2；全鏈路層一共包括128個(gè)神經(jīng)元。另外，本申請(qǐng)中的分類層(softmax層)是一個(gè)單層的神經(jīng)網(wǎng)絡(luò)分類器，通過構(gòu)建假設(shè)函數(shù)，計(jì)算輸入的樣本特征被劃分到每一類別的概率，并通過調(diào)整參數(shù)使得對(duì)應(yīng)的概率最大。這種分類方法的分類準(zhǔn)確率較高，訓(xùn)練速度較快。

構(gòu)建好卷積神經(jīng)網(wǎng)絡(luò)后，將經(jīng)過歸一化處理的各個(gè)歷史樣本圖像輸入至該卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，具體采用的是隨機(jī)梯度下降法對(duì)各個(gè)歷史樣本圖像進(jìn)行訓(xùn)練，使損失函數(shù)達(dá)到最優(yōu)解，該方法是通過每個(gè)樣本來迭代更新一次，當(dāng)樣本量很大時(shí)可能只需要其中的幾萬或者幾千條樣本就可以將損失函數(shù)迭代到最優(yōu)解了，以進(jìn)一步得到訓(xùn)練好的甲狀腺乳頭狀癌超聲圖像識(shí)別模型。

可選的，隨機(jī)梯度下降法依據(jù)計(jì)算關(guān)系式對(duì)θ進(jìn)行迭代以得到損失函數(shù)的最優(yōu)解；其中，h(θ)表示擬合函數(shù)，θ表示參數(shù)，m表示迭代總次數(shù)，i表示第幾次迭代，n表示參數(shù)的總個(gè)數(shù)，j表示第j個(gè)參數(shù)，x和y表示與參數(shù)對(duì)應(yīng)的特征的坐標(biāo)。

具體的，由計(jì)算關(guān)系式和可以得出，j(θ)對(duì)θ求偏導(dǎo)得到對(duì)應(yīng)的梯度，進(jìn)一步更新θ值，即：該隨機(jī)梯度下降法最小化每條樣本的損失函數(shù)，使最終結(jié)果趨向于最優(yōu)解。

當(dāng)該基于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像識(shí)別模型訓(xùn)練好以后，便可以對(duì)輸入至該模型中的待識(shí)別的甲狀腺乳頭狀癌超聲圖像進(jìn)行特征的識(shí)別，以識(shí)別出具有癌癥病灶的特征。

可選的，將經(jīng)過預(yù)處理的各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行歸一化的過程具體為：

將經(jīng)過預(yù)處理的各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像的大小按照35*35的格式進(jìn)行歸一化。

當(dāng)然，還可以將各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像的大小按照其他具體格式進(jìn)行歸一化處理，并不僅限于按照35*35的格式對(duì)其進(jìn)行歸一化處理，本發(fā)明對(duì)此不做特殊的限定，能實(shí)現(xiàn)本發(fā)明的目的即可。

可選的，n為3；

則，三個(gè)卷積層的卷積核的大小分別為5*5、3*3和3*3；全鏈路層包括128個(gè)神經(jīng)元。

當(dāng)然，n不僅限于為3，還可以為其他的具體數(shù)值，對(duì)于n的具體取值本發(fā)明對(duì)此不做特殊的限定，能實(shí)現(xiàn)本發(fā)明的目的即可。

可選的，對(duì)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行預(yù)處理的過程具體為：

去除各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像中的空白部分、文字信息以及甲狀腺組織的背景。

當(dāng)然，還可以采用其他的方式對(duì)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行預(yù)處理，本發(fā)明對(duì)此不做特殊的限定，能實(shí)現(xiàn)本發(fā)明的目的即可。

可選的，各個(gè)卷積層的步長(zhǎng)均為1。

當(dāng)然，各個(gè)卷積層的步長(zhǎng)不僅限于為1，還可以為其他的具體數(shù)值，其具體取值可以根據(jù)實(shí)際情況而定，本發(fā)明對(duì)此不做特殊的限定，能實(shí)現(xiàn)本發(fā)明的目的即可。

還需要說明的是，本發(fā)明將特征提取和甲狀腺乳頭狀癌超聲圖像的識(shí)別融合在一起，有利于整體的優(yōu)化，可以實(shí)現(xiàn)端到端的癌癥圖像識(shí)別，并且用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像的數(shù)量越多，所構(gòu)建出的甲狀腺乳頭狀癌超聲圖像識(shí)別模型在對(duì)甲狀腺乳頭狀癌超聲圖像進(jìn)行特征識(shí)別時(shí)，其準(zhǔn)確率越高，并且即使在干擾性較強(qiáng)的情況下依舊可以具有較強(qiáng)的魯棒性。

本發(fā)明提供了一種甲狀腺乳頭狀癌的超聲圖像識(shí)別方法，包括采用預(yù)先建立的甲狀腺乳頭狀癌超聲圖像識(shí)別模型對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行識(shí)別；甲狀腺乳頭狀癌超聲圖像識(shí)別模型的建立過程為：對(duì)各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行預(yù)處理；將經(jīng)過預(yù)處理的各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行歸一化；建立卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)包括n個(gè)卷積層、n個(gè)最大池化層、最大鏈路層和分類層，n個(gè)卷積層與n個(gè)最大池化層依次交替分布，n為大于1的整數(shù)；利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化后的各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行訓(xùn)練，得到甲狀腺乳頭狀癌超聲圖像識(shí)別模型。

本發(fā)明中的甲狀腺乳頭狀癌超聲圖像識(shí)別模型是采用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)通過獲取大量的甲狀腺乳頭狀癌超聲圖像的特征并對(duì)這些超聲圖像進(jìn)行相應(yīng)的訓(xùn)練得到的，采用該甲狀腺乳頭狀癌超聲圖像識(shí)別模型可以對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行準(zhǔn)確的識(shí)別，以便于輔助醫(yī)生的診斷，降低診斷的不確定性，提高診斷的準(zhǔn)確度。

本發(fā)明提供了一種甲狀腺乳頭狀癌的超聲圖像識(shí)別裝置。該裝置包括識(shí)別模塊，用于采用預(yù)先建立的甲狀腺乳頭狀癌超聲圖像識(shí)別模型對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行識(shí)別；

甲狀腺乳頭狀癌超聲圖像識(shí)別模型的建立過程為：對(duì)各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行預(yù)處理；將經(jīng)過預(yù)處理的各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行歸一化；建立卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)包括n個(gè)卷積層、n個(gè)最大池化層、最大鏈路層和分類層，n個(gè)卷積層與n個(gè)最大池化層依次交替分布，n為大于1的整數(shù)；利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)歸一化后的各個(gè)用于深度學(xué)習(xí)的甲狀腺乳頭狀癌超聲圖像進(jìn)行訓(xùn)練，得到甲狀腺乳頭狀癌超聲圖像識(shí)別模型。

需要說明的是，本發(fā)明在使用過程中可以對(duì)待識(shí)別的甲狀腺乳頭狀癌超聲圖像的特征進(jìn)行準(zhǔn)確的識(shí)別，以便于輔助醫(yī)生的診斷，降低診斷的不確定性，提高診斷的準(zhǔn)確度。另外，對(duì)于本發(fā)明中所涉及到的甲狀腺乳頭狀癌的超聲圖像識(shí)別方法的具體介紹請(qǐng)參照上述方法實(shí)施例，本申請(qǐng)對(duì)此不再贅述。

還需要說明的是，在本說明書中，諸如術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

對(duì)所公開的實(shí)施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其他實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。