[發明專利]一種基于SPECT影像的甲狀腺疾病診斷方法

在審

• 申請號: 201811402574.6
• 申請日: 2018-11-23
• 公開（公告）號: CN109727227A
• 公開（公告）日: 2019-05-07
• 發明（設計）人: 馬立勇;馬城寬;張湧;林文靖;張姝婷;孫明健
• 申請（專利權）人: 哈爾濱工業大學（威海）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;A61B6/03;A61B6/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種基于SPECT影像的甲狀腺疾病診斷方法，使用一種改進的DenseNet網絡結構的卷積神經網絡進行圖像分類，在Dense block中的跨層連接中增加對于權重有影響的參數，并使得以前各層的特征圖的權重在訓練中進行動態調整，從而使得網絡具有更大的靈活性，提高分類性能。實施實例表明該方法能夠獲得優于其他深度學習方法的性能。本發明可以廣泛應用于甲狀腺疾病的診斷和其他圖像分類問題。

技術領域

本發明涉及一種基于SPECT影像的甲狀腺疾病診斷方法。

背景技術

甲狀腺可以產生甲狀腺激素，在控制人體新陳代謝中起著至關重要的作用。甲狀腺素(T4)和三碘甲狀腺原氨酸(T3)是由甲狀腺產生的兩種活性甲狀腺激素，它們對人體有很大的幫助，包括蛋白質的產生、體溫調節和能量產生和調節。甲狀腺疾病是內分泌領域的第二大疾病^[1]，嚴重的甲狀腺疾病可能導致死亡[1-3]。

臨床上診斷甲狀腺疾病常用的因素有很多，如臨床評價、血液檢查、影像學檢查、活檢等。其中影像方法是一種非常重要的甲狀腺診斷方法，這些圖像主要包括超聲、CT、SPECT等。超聲是一種方便、實時、經濟的成像方法，常用于臨床篩查和判斷甲狀腺結節的性質。近年來，基于卷積神經網絡的方法也被用于識別甲狀腺良惡性結節[4,5]。CT影像可以用于發現甲狀腺腺瘤和癌等疾病，神經網絡方法可以被用于甲狀腺區域分割和體積估計[6]。

SPECT是一種利用常規伽馬相機采集圖像數據的核醫學成像。SPECT成像系統由安裝在架上的一個或多個常規伽瑪相機組成，其探測器能夠在收集這些圖像的同時圍繞患者精確和自動地旋轉。SPECT成像的主要優點是產生的圖像本質上是三維的。由于SPECT影像能夠反映甲狀腺的功能情況，在甲狀腺的物理形態沒有改變，而功能發生障礙的時候，超聲和CT影像就無法檢測出來，因此SPECT影像能夠在疾病早期就及時發現疾病，在識別疑難甲狀腺疾病中起著重要作用。臨床輔助診斷能夠降低醫生由于疲勞等因素引起的診斷失誤，開展基于SPECT影像的輔助診斷工作，能夠提高臨床診斷的準確性。

機器學習是一種重要的輔助診斷方法，已經大量用于基于醫學影像的檢測和診斷中。監督學習是一種重要的機器學習方法，通過影像的訓練樣本和對應的疾病標簽來學習數學函數，并判斷出影像中的病灶為止或者屬于哪類疾病[7-8]。主要的監督學習算法包括神經網絡、支持向量機和深度學習方法。深度學習是一種應用效果較好的機器學習方法，隨著圖形處理單元(GPU)的發展，深度學習在各種醫學應用中獲得了突破性的性能。卷積神經網絡(CNN)是醫學圖像分析領域中廣泛應用的一種深度學習方法[9-18]。CNN以2D或3D圖像作為輸入，具有多層結構，包括池化層、卷積層、RELU層和全連接層等，具有局部感知、權重共享、和多卷積核的特點，從而極大地降低了神經網絡模型中的大量參數的計算量。

盡管現有的CNN方法可以直接用于SPECT影像對甲狀腺疾病進行分類，實現甲狀腺疾病的診斷，但是這些已有方法存在準確性低、性能不佳的問題。本發明針對這一問題，提出一種基于SPECT影像的甲狀腺疾病診斷方法。

發明內容

針對現有的CNN方法應用于SPECT影像存在的準確性低、性能不佳的問題，本發明提出了一種基于SPECT影像的甲狀腺疾病診斷方法，該方法采用一種改進的CNN網絡結構，該結構將可訓練的權重參數添加到跨層連接中，使得網絡能夠在訓練期間學習權重的參數，克服原來網絡存在的跨層連接會導致信息冗余和降低網絡性能的問題，從而提高了識別方法的準確性。

DenseNet是一種廣泛應用的CNN網絡結構[18]。其特點是通過密集連接緩解了梯度消失的問題，加強特征傳播，減少參數量。網絡中每一層的輸入都是前面所有層輸出的并集，且該層所學習的特征圖也會直接傳給其后面所有層作為輸入。DenseNet利用減少每層的計算量以及特征復用提高了網絡的效率，通過讓第l層的輸入直接影響到之后的所有層，在第l層，其輸出和輸入關系有