(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111642526.6 (22)申请日 2021.12.2 9 (71)申请人 山西清众科技股份有限公司 地址 030006 山西省太原市综改示范区太 原学府园区南中环街529号清控创新 基地A座7层 (72)发明人 董于杰　卫建华　范军俊　高志熙　 安俊杰　阎东军　韩晓红　张巍　 刘剑　王亮　侯祥敏　王庆伟　 张云仙　 (74)专利代理 机构 太原高欣科创专利代理事务 所(普通合伙) 14109 专利代理师 崔浩　冷锦超 (51)Int.Cl. G06V 10/25(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06T 5/00(2006.01) G06T 5/20(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于TI-RADS多任务神经网络的甲状 腺结节 良恶性分类方法 (57)摘要 本发明基于T I‑RADS多任务神经网络的甲状 腺结节良恶性分类方法， 属于计算机技术的深度 学习技术领域； 所要解决的技术问题为： 提供基 于TI‑RADS多任务神经网络的甲状腺结节良恶 性 分类方法的改进； 解决上述技术问题采用的技术 方案为： 图像预处理； 构建卷积神经网络： 使用 DenseNets  121作为骨干网络， DenseNets  121包 含4个Dense  Block以及3个Transition层， Dense   Block由Dense  Layer组成； 在每个Dense  Block 中的瓶颈层的批量归一化层之后插入SGE模块； 网络的全连接层具有五个分支， 分别对应五个 TI‑RADS分类任务， 每个分支包含3个线性层； 训 练卷积神经网络： 训练时迁移第一个Dense   Block的预训练权重， 并通过优化目标函数实现 对网络权重的更新与求解； 输出甲状 腺结节的良 恶性分类结果； 本发明应用于甲状 腺结节良恶性 分类。 权利要求书2页 说明书4页 附图1页 CN 114494687 A 2022.05.13 CN 114494687 A 1.基于TI ‑RADS多任务神经网络的甲状腺结节良恶性分类方法， 其特征在于： 包括如下 步骤： S1： 图像预处理： 所述图像预处理包括 图像降噪、 获取人工标记区域、 去除超声图像人 工标记、 提取ROI区域、 图像增强； S2： 构建卷积神经网络： 使用DenseNets  121作为骨干网络， 所述DenseNets  121包含4 个Dense Block以及3个Tran sition层， Den se Block由Dense  Layer组成， 每个Den se Layer 依次包含批量归一化层、 修正线性单元层、 1 ×1卷积层、 批量归一化层、 修正线性单元层、 3 ×3卷积层； 在每个Dense Block中的瓶颈层的批量归一 化层之后插 入SGE模块； 网络的全连接层具有五个分支， 分别对应五个TI ‑RADS分类任务， 每个分支包含3个线 性层； S3： 训练卷积神经网络： 训练时迁移第一个Dense  Block的预训练权重， 并通过优化目 标函数实现对网络 权重的更新与求 解； S4： 将甲状腺结节图像输入训练好的卷积神经网络输出甲状腺结节的良恶性分类结 果。 2.根据权利 要求1所述的基于TI ‑RADS多任务神经网络的甲状腺结节良恶性分类方法， 其特征在于： 所述 步骤S1中图像降噪具体采用自适应中值滤波算法。 3.根据权利 要求1所述的基于TI ‑RADS多任务神经网络的甲状腺结节良恶性分类方法， 其特征在于： 所述 步骤S1中具体采用YOLO  V4和MSER算法获取 人工标记区域。 4.根据权利 要求1所述的基于TI ‑RADS多任务神经网络的甲状腺结节良恶性分类方法， 其特征在于： 所述 步骤S1中具体采用快速行进算法滤除超声图像人工标记。 5.根据权利 要求1所述的基于TI ‑RADS多任务神经网络的甲状腺结节良恶性分类方法， 其特征在于： 所述 步骤S2中的4个Dense  Block分别由6、 12、 24、 16个Dense  Layer组成。 6.根据权利 要求1所述的基于TI ‑RADS多任务神经网络的甲状腺结节良恶性分类方法， 其特征在于： 所述步骤S2中全连接层每个 分支包含3个线性层， 其中线性层L 1神经元个数为 1024， 线性层L2神经 元个数为512， 线性层L3神经 元个数为对应分类任务的类别数。 7.根据权利 要求1所述的基于TI ‑RADS多任务神经网络的甲状腺结节良恶性分类方法， 其特征在于： 所述SGE模块通过为每个语义组的每个空间位置生成注意力因子来调控子特 征的重要性， 注意力因子由每 个组内全局 和局部特征描述符 之间的相似程度来产生。 8.根据权利 要求1所述的基于TI ‑RADS多任务神经网络的甲状腺结节良恶性分类方法， 其特征在于： 所述步骤S 3中在训练神经网络时训练初始的10个周期， 学习率设置为0.0001， 以预热网络权重， 随后学习率增 加到0.001， 并使用余弦退火算法进行 学习率的更新。 9.根据权利 要求1所述的基于TI ‑RADS多任务神经网络的甲状腺结节良恶性分类方法， 其特征在于： 所述 步骤S3中优化的目标函数如下： 上式中： W为网络权重， σi为噪声参数， Li表示子任务的损失函数， 计算公式如下：权　利　要　求　书 1/2 页 2 CN 114494687 A 2上式中： C为类别数目， tn表示一个真实的概率分布， yn表示预测的概率分布， γ用来平 衡难分类样本和易分类样本之间对损失的贡献。权　利　要　求　书 2/2 页 3 CN 114494687 A 3