(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 202210246887.7 (22)申请日 2022.03.14 (71)申请人 什维新智医疗科技 （上海） 有限公司 地址 201114 上海市闵行区陈行公路238 8 号3号楼101-8室 (72)发明人 张淦钧　 (74)专利代理 机构 上海泰博知识产权代理有限 公司 31451 专利代理师 钱文斌 (51)Int.Cl. G06T 7/00(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于神经网络的结节良恶性判断装置 (57)摘要 本发明涉及一种基于神经网络的结节良恶 性判断装置， 包括： 图像获取模块： 用于获取带有 结节的超声 图像； 良恶性检测模块： 用于通过神 经网络来对所述超声图像中的结节良恶性进行 检测， 其中， 所述神经网络包括特征提取模块和 特征分级模块， 所述特征提取模块和特征分级模 块连接， 所述特征提取模块用于提取图像特征， 所述特征分级模块用于基于所述图像特征得到 不同感受野的特征矩阵， 并对不同感受野的特征 矩阵进行结果预测。 本发明通过构建的神经网络 能够对超声图像中的结节的良恶性进行准确判 断。 权利要求书2页 说明书6页 附图3页 CN 114742761 A 2022.07.12 CN 114742761 A 1.一种基于神经网络的结节良恶性判断装置， 其特 征在于， 包括： 图像获取模块： 用于获取 带有结节的超声图像； 良恶性检测模块： 用于通过神经网络来对所述超声图像中的结节良恶性进行检测， 其 中， 所述神经网络包括特征提取模块和特征分级模块， 所述特征提取模块和特征分级模块 连接， 所述特征提取模块用于提取图像特征， 所述特征分级模块用于基于所述图像特征得 到不同感受野的特 征矩阵， 并对不同感受野的特 征矩阵进行 结果预测。 2.根据权利要求1所述的基于神经网络的结节良恶性判断装置， 其特征在于， 所述特征 提取模块包括依次连接的第一CBL单元和3个Block单元， 每个所述Block单元的输出均连接 有shortcut， 所述第一CBL单元还依次连接有与3个Block单元相对应的3个1 ×1Conv， 并且 每个所述1×1Conv的输出与各自对应的Bl ock单元连接的shor tcut相连； 其中， 所述Block单元包括通过concatenate连接的第一支路和第二支路， 所述第一支 路包括依次连接的1 ×1Conv、 3 ×3Conv和1 ×1Conv， 所述第二支路包括依次连接的3 × 3Conv和1×1Conv； 所述第一CBL单 元包括3×3Conv、 批标准 化层BN和激活函数LeakyReLU。 3.根据权利要求2所述的基于神经网络的结节良恶性判断装置， 其特征在于， 所述特征 提取模块中的shortcut满足y＝β F(x,{Wi})+(1‑β )x， 其中， x表示输入的特征， F( ·)表示神 经网络的特征提取方 式， Wi表示神经网络学习时参数的权重， y表示融合后的特征， β 表示调 节参数且β ∈(0,1)。 4.根据权利要求1所述的基于神经网络的结节良恶性判断装置， 其特征在于， 所述特征 分级模块包括依次连接的第二CBL单元、 第三CBL单元、 第四CBL单元和第一卷积单元， 并通 过所述第一卷积单 元输出第一特 征矩阵； 所述第二CBL单元的输出还和经过上采样的第三CBL单元通过concaten ate连接后依次 与第五CBL单 元、 第二卷积单 元连接， 并通过第二卷积单 元输出第二特 征矩阵； 所述第三CBL单元经过上采样后和第二CBL单元的输出通过concaten ate连接后还与第 六CBL单元连接， 所述第六CBL单元经过上采样后和特征提取模块的输出通过concatenate 连接后再依次与第七CBL单元、 第三卷积单元连接， 并通过第三卷积单元输出第三特征矩 阵； 其中， 所述第一卷积单元、 第二卷积单元和第三卷积单元均为3 ×3Conv； 所述第二CBL 单元、 第三CBL单元、 第四CBL单元、 第五CBL单元、 第六CBL单元和第七CBL单元均包括3 × 3Conv、 批标准 化层BN和激活函数LeakyReLU。 5.根据权利要求1所述的基于神经网络的结节良恶性判断装置， 其特征在于， 所述神经 网络通过L＝LCIoU+LClass+Lp来计算损失函数， 其中， LCIoU表示判断边缘框位置的CIoU损失函权　利　要　求　书 1/2 页 2 CN 114742761 A 2数且 Rpred表示预测边缘框， Rgt表示实际边缘框， IoU表示 预测边缘框与实际边缘框的重叠情 况； wgt分别表示实际边缘框的宽， hgt表示实际边缘框的 高， wpred表示预测边缘框的宽， hpred表示预测边缘框的高， v用于衡 量预测边缘框与实际边缘 框宽高比的一致性程度； α表示衡量参数， d表示预测边缘框与实际边缘框的中心距离， a表 示预测边缘框与实际边缘框的最小 外接矩形的对角线 长度； LClass表示判断是否存在结节分 类的交叉熵损失函数且 C表示实际是否存在结节分 类， 表示预测是否存在结节分类， wc表示是否存在结节分类的权重； Lp表示良恶性分类交 叉熵损失函数且 P表示实际 良恶性， 表示预测良恶 性， wp表示良恶性分类的权 重。权　利　要　求　书 2/2 页 3 CN 114742761 A 3