基于神经网络的甲状腺结节术前恶性风险智能评估系统

技术领域

本发明涉及风险预测技术领域，更具体的说是涉及一种基于神经网络的甲状腺结节术前恶性风险智能评估系统。

背景技术

随着高分辨率超声在甲状腺疾病中应用的增加，甲状腺结节的检出率也明显增高，高达76％。良性结节和恶性结节的识别和诊断工作通常是由影像科有经验的临床专家通过人工读片来完成。然而，良恶性甲状腺结节的超声图像特点有很大的重叠，超声在其良恶性鉴别时缺乏绝对特异性，而且，不同的超声设备、不同超声科医生之间的观察差异等因素都可能对甲状腺结节的最终评估产生影响，降低了其诊断的准确性。

随着深度学习的发展，其应用已在越来越多的行业中开展，医学领域自然也不例外，但是在风险评估时更加注重模型的改进，如公开号为CN115239691A，名称为：基于超声诊断的人工智能病灶识别及恶性风险评估系统及装置，通过三种诊断模式的融合，以实现最大程度避免漏诊和误诊的目的；但是其却忽略了超声图像自身所造成的误诊事件的可能，因此，如何快速、简便、准确地对甲状腺结节各种临床特征进行综合分析，避免超声影像自身所造成的误诊事件，以提高评估模型的准确性和实用性是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于神经网络的甲状腺结节术前恶性风险智能评估系统，解决了上述问题。

为了实现上述目的，本发明提供如下技术方案：

一种基于神经网络的甲状腺结节术前恶性风险智能评估系统，包括：

训练数据存储模块，用于对超声影像数据、检验数据、病理诊断结果进行对应存储；

评估模型训练模块，用于从训练数据存储模块中提取训练数据，对选定的神经网络进行迭代训练，直至达到预设条件，获得风险评估模型；

风险智能识别模块，用于利用风险评估模型对待评估数据自动生成甲状腺结节的恶性概率和风险等级。

可选的，评估模型训练模块包括预处理模块、数据存储模块、特征提取模块、特征识别模块、赋值模块、结节识别模块和参数更新模块；

预处理模块，用于对提取的任意一组训练数据进行预处理；

数据存储模块，用于存储预处理文件；

特征提取模块，用于分别从预处理文件中获取超声图像特征和文本特征；

特征识别模块，用于根据超声图像特征和文本特征识别出各个影响因子的等级；

赋值模块，用于根据预设规则对各个影响因子的等级进行赋值处理，获得赋值数据；

结节识别模块，用于根据赋值数据利用初始风险评估模型识别出结节的风险等级以及恶性概率；

参数更新模块，用于根据识别出的结节的风险等级、恶性概率以及病理诊断结果对初始风险评估模型进行参数更新。

可选的，预处理模块包括重建模块和文本转换模块；

重建模块，用于利用超声影像数据重建超声图像；

文本转换模块，用于将检验数据和病理诊断结果进行文本向量化处理，获得文本数据。

可选的，预处理模块还包括去噪模块、图像增强模块和归一化模块。

可选的，重建模块包括第一图像生成模块、识别模块、第二图像识别模块、合成模块：

第一图像生成模块，用于对超声影像数据中的任意一帧数据均进行二值化处理，获得一幅第一图像；

识别模块，用于识别任意一幅第一图像中各个扫描线上像素点的类别；

第二图像识别模块，用于根据任意一幅第一图像的一类像素点或多类像素点构建图像边缘，获得一幅第二图像；

合成模块，用于在任意一幅第二图像中确定标识点，将多帧的第二图像按照时间顺序进行叠加，获得重建超声图像。

可选的，超声图像特征包括咬饼征、钙化形态、纵横比和增强后结节边缘清晰程度。

可选的，超声图像特征的选取步骤为：

采用多因素回归检验进行超声图像特征与结节良恶性的独立相关性分析，获得第一变量集；

针对第一变量集利用Forward方法进行筛选，获得超声图像特征。

可选的，其特征在于，影响因子包括性别，超声图像评估结果，细胞病理检测结果，基因检测结果，ct值，tg值。

经由上述的技术方案可知，与现有技术相比，本发明公开了一种基于神经网络的甲状腺结节术前恶性风险智能评估系统，通过对训练数据进行预处理和赋值处理，便于快速、简便、准确地对恶性甲状腺结节相关的临床数据进行提取，提高了风险识别模型的准确率和实用性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于神经网络的甲状腺结节术前恶性风险智能评估系统，以结构如图1所示，包括：

训练数据存储模块，用于对超声影像数据、检验数据、病理诊断结果进行对应存储；

评估模型训练模块，用于从训练数据存储模块中提取训练数据，对选定的神经网络进行迭代训练，直至达到预设条件，获得风险评估模型；

风险智能识别模块，用于利用风险评估模型对待评估数据自动生成甲状腺结节的恶性概率和风险等级。

其中，训练数据存储模块的数据来自潍坊市中医院设定时间内收治并行手术治疗的甲状腺结节患者的临床资料(包括性别、年龄、结节的彩超评估等级、细胞病理学等级、BRAF

获取的临床资料数据在存储之前，首先进行影响因素确定，具体为：获取患者的临床资料，应用单因素分析评价各个信息与甲状腺结节良、恶性评价的关联性，再基于多因素二元Logistic回归分析，选定性别、超声图像评估结果、细胞病理检测结果、基因检测结果、ct值、tg值作为模型的自变量。

本实施例中，评估模型训练模块包括预处理模块、数据存储模块、特征提取模块、特征识别模块、赋值模块、结节识别模块和参数更新模块；

其中，预处理模块，用于对从训练数据存储模块提取出来的任意一组训练数据进行预处理，生成预处理文件，包括重建模块和文本转换模块；

重建模块，用于利用甲状腺超声影像数据重建甲状腺图像；

文本转换模块，用于将检验数据和病理诊断结果进行文本向量化处理，获得文本数据；

数据存储模块，用于按类别将预处理文件进行分类存储，按比例分别形成训练数据集和验证集；

特征提取模块，用于分别从重建超声图像和文本数据中提取特征，获得超声图像特征和文本特征；

特征识别模块，用于根据超声图像特征和文本特征识别出各个影响因子的等级(影响因子的等级划分如表1所示)；

赋值模块，用于根据预设规则(如表2所示)对各个影响因子的等级进行赋值处理，获得赋值数据；

结节识别模块，用于根据赋值数据利用初始风险评估模型识别出结节的风险等级以及恶性概率；

参数更新模块，用于根据识别出的结节的风险等级以及恶性概率与病理诊断结果对初始风险评估模型进行参数更新。

表1影响因子的等级划分表

表2赋值规则

本实施例中，重建模块包括第一图像生成模块、识别模块、第二图像识别模块、合成模块：

第一图像生成模块，用于对超声影像数据中的任意一帧数据进行二值化处理，获得一幅第一图像；具体为：在高亮度场对任一帧数据进行图像生成，根据设定的阈值截取可以反映图像整体和局部特征的二值化图像；

识别模块，用于识别任意一幅第一图像中各个扫描线上像素点的类别，具体为：根据预设的像素点的阈值，根据各个像素点的数值与阈值的相关联程度进行分类；

第二图像识别模块，用于根据任意一幅第一图像的一类像素点或多类像素点构建图像边缘，获得一幅第二图像；

合成模块，用于在任意一幅第二图像中确定标识点，将多帧的第二图像按照时间顺序进行叠加，获得重建超声图像。

其中，标识点的选择可以是第二图像的中心点、标识点以及预先设定的任一点。

其中，文本向量化处理即将字符或字符串转换为数值，使其更利于机器学习模型的训练。

其中，特征提取模块中超声图像特征提取模块采用一个卷积层和多组残差块和视觉转换器构成，残差块用于对不同层级的特征进行提取，视觉转换器用于对上组视觉转换器提取的特征和本组残差块提取的特征进行拼接后进行局部特征或全局特征的提取；其中，提取的超声图像特征包括根据咬饼征、钙化形态、纵横比、增强后结节边缘清晰程度。

使用Bert网络对文本数据进行特征提取获得文本特征。

本实施例中，超声图像特征的选取步骤为：

采用多因素回归检验进行超声图像特征与结节良恶性的独立相关性分析，获得第一变量集；

针对第一变量集利用Forward方法进行筛选，获得超声图像特征。

根据超声图像特征与超声等级之间的映射关系，确定该超声图像的等级，根据提取的各类文本特征与各类参数之间的映射关系，获得各个参数的等级类别，根据赋值规则，对各个等级类别进行赋值处理，将赋值数据输入选定的神经网络，本实施例中选择为BP神经网络，获得识别结果，根据与病理诊断结果的差值对神经网络进行参数更新。

还可利用双层网络实现特征提取与风险识别，利用后一层的损失函数对后一层的神经网络进行迭代训练，利用后一层的损失函数以及前一层的损失函数对前一层的神经网络进行迭代训练，直至达到预设目标。

风险识别模块用于根据获取待评估数据利用风险评估模型生成甲状腺结节的恶性概率和风险等级。

其中，待评估数据包括各个影响因子的等级类别、临床数据；

若是各个影响因子的等级类别时，根据赋值规则对各个影响因子的等级类别进行赋值处理，将赋值处理后的数据输入风险评估模型，获得甲状腺结节的恶性概率以及风险等级，根据风险等级进行对应的治疗建议，本实施例中根据恶性概率分为10个等级，前五个等级治疗建议是临床随访，后五个等级的治疗建议是手术治疗；若获得的数据是临床数据，则对临床数据进行影响因子数据进行筛选，对筛选后的影响因子数据进行预处理，对预处理后的数据进行特征提取和等级识别，随后再以上述方法进行风险评估。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。