[發(fā)明專利]一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法

有效

• 申請?zhí)枺?/td>: 202110299531.5
• 申請日: 2021-03-22
• 公開（公告）號: CN112669320B
• 公開（公告）日: 2021-08-13
• 發(fā)明（設計）人: 章毅;趙禎;皮勇;蔡華偉;魏建安;蔣麗莎
• 申請（專利權）人: 四川大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 謝建

本發(fā)明公開了一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法，涉及圖像分析處理技術領域，本發(fā)明包含如下三個步驟:數據獲取、深度神經網絡模型構建和模型驗證；本發(fā)明利用計算機技術來處理SPECT甲狀腺圖像，代替醫(yī)生完成甲狀腺攝取模式的識別，可減少人工操作，有一致的處理結果以及相當的準確度，便于集成和大規(guī)模的應用。

技術領域

本發(fā)明涉及圖像分析處理技術領域，更具體的是涉及基于深度神經網絡的SPECT甲狀腺顯像智能識別方法技術領域。

背景技術

近年來，甲狀腺疾病發(fā)病率急速攀升，根據中華醫(yī)學會內分泌學會進行的《社區(qū)居民甲狀腺疾病流行病學調查》結果顯示，甲亢的患病率為1.3%，甲減的患病率是6.5%，甲狀腺結節(jié)的患病率是18.6%，甲狀腺結節(jié)中有5%-15%是惡性的，也就是甲狀腺癌。據此估計，我國甲亢患者有1000萬， 甲狀腺功能減退(甲減)患者9000萬，甲狀腺結節(jié)及甲狀腺癌患者超過1億，目前我國有超過2億的甲狀腺病人，已成為內分泌領域的第二大疾病。因此，能否對甲狀腺疾病進行準確診斷，對于患者的臨床治療方案制定，預后和生活質量有著重要的影響。

甲狀腺疾病診斷的影像學方法中，應用最多的是超聲，但超聲和CT主要是對甲狀腺的位置、大小等解剖學信息的顯示，而對甲狀腺功能狀態(tài)的顯示，甲狀腺核素圖像顯像有優(yōu)勢。

然而，通過閱讀甲狀腺核素圖像診斷時仍然存在耗時長、經驗依賴比重高、病灶易漏診、誤診等問題，如何進一步提高甲狀腺核素的精確性與時效性，成為目前核醫(yī)學影像界需要解決的難題。

發(fā)明內容

本發(fā)明的目的在于：為了解決醫(yī)生通過閱讀甲狀腺核素圖像診斷時存在的耗時長、經驗依賴比重高、病灶易漏診、誤診的技術問題，本發(fā)明提供一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法，用來提高甲狀腺核素圖像診斷的精確性與時效性。

本發(fā)明為了實現上述目的具體采用以下技術方案：

一種基于深度神經網絡的SPECT甲狀腺顯像智能識別方法，包括如下步驟：

步驟1、數據獲取：采集SPECT甲狀腺顯像圖像,然后進行數據標注和數據集劃分：

步驟1a、數據標注：將SPECT甲狀腺顯像圖像上呈現出的攝取模式分為彌漫增高、彌漫減低、局部增高、局部減低、分布不均和正常的六種，確認每一張SPECT甲狀腺顯像圖像的呈現出的攝取模式；基于獲取到的SPECT甲狀腺顯像圖像，每一張SPECT甲狀腺顯像圖像同時由多個專業(yè)的放射醫(yī)師共同討論確定患者甲狀腺的攝取模式為六種中的一種；

步驟2b、數據集劃分:將數據標注后的SPECT甲狀腺顯像圖像集分為訓練集和驗證集;

步驟2、深度神經網絡模型構建:

步驟2a、數據預處理：將步驟1處理的SPECT甲狀腺顯像圖像根據窗寬窗位進行歸一化操作，包含人體肩部以上范圍的標準的SPECT甲狀腺顯像圖像表示為原始圖像；甲狀腺區(qū)域通常表現為比其它區(qū)域更亮，使用基于閾值的方法從原始圖像中提取出甲狀腺區(qū)域，甲狀腺區(qū)域用ROI圖像表示；

步驟2b、深度神經網絡模型設計：設計的深度神經網絡模型，深度神經網絡模型包含深度特征提取模塊、人工設計特征提取模塊和特征融合與分類模塊；首先使用深度特征提取模塊從原始圖像和ROI圖像進行深度特征提取，然后使用人工特征提取模塊從ROI圖像中提取人工特征，最后使用特征融合與分類模塊對深度特征和人工特征進行融合再進行分類；

步驟2c、深度神經網絡模型訓練：使用訓練集的數據采用反向傳播算法對深度神經網絡模型進行訓練；