[發明專利]一種甲狀腺腫瘤超聲圖像識別方法及其裝置

在審

• 申請號: 201810318306.X
• 申請日: 2018-04-10
• 公開（公告）號: CN108520518A
• 公開（公告）日: 2018-09-11
• 發明（設計）人: 向俊;盧宏濤;官青;王芬;王蘊珺;李端樹;杜佳俊;秦宇
• 申請（專利權）人: 復旦大學附屬腫瘤醫院;上海交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;A61B8/08
• 代理公司: 上海容慧專利代理事務所(普通合伙) 31287
• 代理人: 于曉菁

本發明公開了一種甲狀腺腫瘤超聲圖像識別方法及其裝置，所述方法包括：選取甲狀腺腫瘤超聲圖像中的腫瘤區域并擴增一定邊緣范圍后切割，進行良惡性標注，將切割下來的圖像組成訓練集；用訓練集訓練選定的卷積神經網絡形成甲狀腺腫瘤超聲圖像識別模型；獲取待識別的甲狀腺腫瘤超聲圖像，選取腫瘤區域并擴增一定邊緣范圍后，用所述甲狀腺腫瘤超聲圖像識別模型進行良惡性識別。本發明所述方法及其裝置用于輔助醫生對甲狀腺腫瘤的良惡性進行診斷，在甲狀腺超聲圖像腫瘤良惡性檢測試驗中取得了超過90％的準確率，這對臨床實際診斷具有重大的參考意義。

技術領域

本發明涉及圖像識別領域，特別涉及一種基于深度學習的甲狀腺腫瘤超聲圖像識別方法及其裝置。

背景技術

流行病學研究表明，甲狀腺癌是女性最常見的惡性腫瘤之一，近年來其發病率迅速上升。甲狀腺乳頭狀癌(PTC)是甲狀腺癌的主要病理類型，占據發病率很大比重。超聲圖像被廣泛認為是甲狀腺結節篩查的主要診斷工具和PTC術前評估方法。像微鈣化、固體成分高、邊緣與形狀不規則等超聲圖像特點就是PTC考慮的典型情況。而實際操作過程中最大的局限是操作者的依賴性，不同經驗水平的放射科醫師的判斷準確率不同。這使得圖像的雙重閱讀對降低誤診率很有必要，但不是每個衛生部門都擁有最有經驗的放射科醫師，客觀和一致的方法可以提供寶貴的意見并幫助無經驗的放射科醫師。

機器學習(ML)被定義為一組自動檢測數據中的模式，然后利用發現的模式來預測未來的數據或在不確定的條件下進行決策的方法。深度學習作為機器學習的一部分，利用人工神經網絡(尤其是卷積神經網絡)，目前廣泛應用醫療保健的多個方面，尤其是癌癥圖像診斷與分析中。醫院擁有大量的甲狀腺超聲圖片，擁有大量的專業醫師對其良惡性進行準確的標注，對甲狀腺超聲圖片采用深度學習方法進行甲狀腺癌診斷可以取得很好的效果，但是對于現有的甲狀腺超聲圖片如何選取有效的區域能提高圖像識別的準確率是一個有待解決的問題。

現有的深度學習在醫療圖像中的應用主要有兩種方案：1)對于病例圖片較多的情況，采用直接訓練或利用微調預訓練模型參數的方式訓練網絡；2)對于病例圖片較少的情況主要采用遷移學習方法來訓練模型。兩種方法均考慮了相關疾病的靜態特征，即數據庫一經確定，即可確定模型。然而在實際情況中，尤其是對于發病率較低的情況，新病例具有的圖像特征很可能是此前均未出現過的。因此，如何解決病例圖片較少而造成模型準確率不高的問題也是本領域技術人員的努力方向。

發明內容

有鑒于現有技術中存在的上述問題，本發明的目的是提供一種能夠有效選取腫瘤圖像區域從而提高識別準確率的甲狀腺腫瘤超聲圖像識別方法及其裝置，以及一種能避免因病例圖像較少而造成識別準確率低的問題的甲狀腺腫瘤超聲圖像識別方法及其裝置。

為實現上述第一個目的，本發明首先提供了一種甲狀腺腫瘤超聲圖像識別方法，該方法包括：

選取甲狀腺腫瘤超聲圖像中的腫瘤區域并擴增一定邊緣范圍后切割，進行良惡性標注，將切割下來的圖像組成訓練集；

用訓練集訓練選定的卷積神經網絡形成甲狀腺腫瘤超聲圖像識別模型；

獲取待識別的甲狀腺腫瘤超聲圖像，選取腫瘤區域并擴增一定邊緣范圍后，用所述甲狀腺腫瘤超聲圖像識別模型進行良惡性識別。

上述方法的流程如圖1所示。

進一步，選取的所述腫瘤區域為矩形。

由于甲狀腺腫瘤超聲圖像的原始數據集均采自現有的超聲設備的報告圖，其固有的背景、文字等將極大影響腫瘤良惡性特征的提取，因此本發明優選采用半自動化的方式截取包含腫瘤的區域。

進一步，所述選取甲狀腺腫瘤超聲圖像中的腫瘤區域是根據接收到的邊界信號進行的，即人工用鼠標手動逐次點擊甲狀腺腫瘤超聲圖像中結節(腫瘤)區域的左、右、上、下邊界，由此生成如圖2所示的內層矩形框。