(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 202211123087.2 (22)申请日 2022.09.15 (71)申请人 浙江省肿瘤医院 地址 310000 浙江省杭州市拱 墅区半山 东 路1号 (72)发明人 徐栋　陈晨　刘元振　姚劲草　 冯博健　吕露娇　陈洪梅　 (74)专利代理 机构 杭州宇信联合知识产权代理 有限公司 3 3401 专利代理师 娄聪 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/82(2022.01) G06V 10/75(2022.01) A61B 8/08(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于类造影深度学习模型评估甲状腺结节 消融疗效的方法 (57)摘要 本发明公开了一种基于类造影深度学习模 型评估甲状腺结节消融疗效的方法， 包括： 采集 甲状腺结节消 融前后的超声图像与超声造影图 像作为原始图像数据集并进行图像预处理； 以第 一甲状腺超声造影图像中的甲状腺结节区域为 金标准， 基于第一甲状 腺超声图像和对抗生成网 络训练得到类造影深度学习模型； 将第二甲状 腺 超声图像输入至类造影深度学习模 型， 对应生成 甲状腺超声类造影图像； 基于甲状 腺超声类造影 图像评估消融疗效。 通过类造影深度学习模型生 成的类造影图像能准确显示甲状腺结节消 融灶 的范围、 有无增强等情况， 实现通过类造影图像 评估消融疗效的目的， 减少医疗成本， 完善评估 甲状腺结节消融疗效的手段。 权利要求书2页 说明书6页 附图4页 CN 115423786 A 2022.12.02 CN 115423786 A 1.一种基于类造影深度学习模型评估甲状腺结节消融疗效的方法， 其特征在于， 包括 如下步骤： S1， 采集甲状腺结节消融前后的超声图像和对应的超声造影图像作为原始图像数据 集， 并对原始图像数据集进行图像预处理， 从而得到第一甲状腺超声图像和第一甲状腺超 声造影图像； S2， 以第一甲状腺超声造影 图像中的甲状腺结节区域为金标准， 基于第一甲状腺超声 图像和对抗 生成网络， 训练得到包括甲状腺区域的类造影深度学习模型； S3， 将第二甲状腺超声图像输入至类造影深度学习模型， 对应生成包括甲状腺区域的 甲状腺超声类造影图像； S4， 基于甲状腺超声类造影图像评估消融疗效。 2.根据权利要求1所述的基于类造影深度学习模型评估甲状腺结节消融疗效的方法， 其特征在于， 所述S1中对原始图像数据集进行图像预处理， 具体包括， 基于伽马矫正分别对甲状腺 结节消融前和甲状腺结节消融后的超声图像， 以及， 与超声图像相匹配的超声造影图像进 行对比度增强， 并基于深度目标检测网络检测甲状腺结节。 3.根据权利要求2所述的基于类造影深度学习模型评估甲状腺结节消融疗效的方法， 其特征在于， 所述基于伽马矫正分别对甲状腺结节消融前和甲状腺结节消融后的超声图 像， 以及， 与超声图像相匹配的超声造影图像进行对比度增强， 具体包括： 分别基于伽马矫 正对甲状腺结节消融前的超声图像、 甲状腺结节消融后的超声图像和超声图像相匹配的超 声造影图像， 弱化甲状腺正常腺体组织区域， 凸出甲状腺结节的亮度特征， 计算公式如式 (1)所示， 其中， X为输入的甲状腺结节消融前的超声图像或甲状腺结节消融后的超声图像或与 超声图像相匹配的超声造影图像， γ为经验矫 正值， Y为经 过伽马矫 正后的图像。 4.根据权利要求2所述的基于类造影深度学习模型评估甲状腺结节消融疗效的方法， 其特征在于， 所述深度目标检测网络采用改进YOLOv5模 型， 其中， 所述改进YOLOv5模 型中骨 干网络第一层为卷积层， 并且至少包括S PPF层。 5.根据权利要求4所述的基于类造影深度学习模型评估甲状腺结节消融疗效的方法， 其特征在于， 所述SPPF层用于保存每一次最大池化后的池化特征图， 并再对池化特征图进 行最大池化操作， 以及， 将若干次最大池化操作后保存的每个池化特征图和 最后一次池化 特征图进行特征联合， 将联合后的结果放在改进YOLOv5模型的骨干网络后， 从而得到经过 图像预处 理后的第一甲状腺常规超声图像和第一甲状腺超声造影图像。 6.根据权利要求1所述的基于类造影深度学习模型评估甲状腺结节消融疗效的方法， 其特征在于， 所述S2具体包括： S21， 第一甲状腺超声图像基于对抗生成网络的生成器生成第二甲状腺超声造影模拟 图像； S22， 基于第 一甲状腺超声造影图像 中的甲状腺结节区域为金标准， 基于对抗生成网络 的判别器判别第二甲状腺超声造影模拟图像和 第一甲状腺超声造影图像之 间的差别， 从而权　利　要　求　书 1/2 页 2 CN 115423786 A 2更新生成器的网络 权重参数， S23， 重复执 行S21‑S22， 直至准确度最高， 损失值 最低， 从而形成类造影深度学习模型。 7.根据权利要求1所述的基于类造影深度学习模型评估甲状腺结节消融疗效的方法， 其特征在于， 所述S4具体包括： 基于生成的甲状腺超声类造影图像中的甲状腺结节的消融 范围和血 供评估消融疗效。权　利　要　求　书 2/2 页 3 CN 115423786 A 3