[發(fā)明專利]一種基于深度學(xué)習(xí)分割網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)侵襲性預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110307664.2
• 申請(qǐng)日: 2021-03-23
• 公開(kāi)（公告）號(hào): CN112950615B
• 公開(kāi)（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 鄭志強(qiáng);王雨禾;翁智
• 申請(qǐng)（專利權(quán)）人: 內(nèi)蒙古大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/12;G06T7/62;G06T5/00;G06V10/44;G06V10/764;G06K9/62
• 代理公司: 合肥市澤信專利代理事務(wù)所(普通合伙) 34144
• 代理人: 潘飛

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體為一種基于深度學(xué)習(xí)分割網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)侵襲性預(yù)測(cè)方法。該方法包括如下步驟：S1：對(duì)臨床獲得的甲狀腺超聲圖像進(jìn)行預(yù)處理；S2：構(gòu)建基于深度學(xué)習(xí)分割網(wǎng)絡(luò)的主體結(jié)構(gòu)框架；S3：對(duì)主體結(jié)構(gòu)框架中的生成對(duì)抗網(wǎng)絡(luò)模型進(jìn)行改進(jìn)；S4：對(duì)甲狀腺結(jié)節(jié)進(jìn)行精確地語(yǔ)義分割，統(tǒng)計(jì)出結(jié)節(jié)面積、縱橫比、輪廓規(guī)則程度的信息；S5：獲取經(jīng)過(guò)裁剪后的只含有結(jié)節(jié)的新的圖像數(shù)據(jù)集；S6：對(duì)分類網(wǎng)絡(luò)模型的非線性表達(dá)能力進(jìn)行改進(jìn)提升，S7：利用改進(jìn)后的分類網(wǎng)絡(luò)模型對(duì)預(yù)測(cè)結(jié)果進(jìn)行分類，并對(duì)分類網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練更新。本發(fā)明提供的方法可以實(shí)現(xiàn)端到端自動(dòng)輔助診斷，克服傳統(tǒng)檢測(cè)方法準(zhǔn)確率不足，檢測(cè)速率較低的缺陷。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體為一種基于深度學(xué)習(xí)分割網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)侵襲性預(yù)測(cè)方法。

背景技術(shù)

甲狀腺是人體最大的內(nèi)分泌腺，超聲檢查能對(duì)其大小，體積與血流做出定性和定量的估測(cè)，對(duì)腫瘤的良惡性可進(jìn)行定性或半定性的診斷，因此超聲檢測(cè)方法也成為影像檢查甲狀腺疾病的首選方法。過(guò)去的甲狀腺超聲檢測(cè)結(jié)果主要由醫(yī)生根據(jù)經(jīng)驗(yàn)進(jìn)行判斷，并作出結(jié)論預(yù)測(cè)。圖像識(shí)別技術(shù)引入之后，各種基于分類的檢測(cè)系統(tǒng)可以代替人工對(duì)超聲影像數(shù)據(jù)進(jìn)行處理和預(yù)測(cè)，從而大大提高圖像的檢測(cè)效率；同時(shí)將圖像識(shí)別處理技術(shù)和人工經(jīng)驗(yàn)進(jìn)行結(jié)合，先由計(jì)算機(jī)給出初步預(yù)測(cè)結(jié)論，再由醫(yī)生進(jìn)行結(jié)論復(fù)核，這有助于降低醫(yī)生的誤判率和工作負(fù)擔(dān)。

但是，現(xiàn)有的各種基于分類的檢測(cè)系統(tǒng)在甲狀腺超聲影響的識(shí)別處理上仍然存在一些弊端。例如，超聲圖像主要為灰度圖像，包含甲狀腺結(jié)節(jié)的位置信息和形態(tài)信息。臨床獲得的超聲甲狀腺圖像質(zhì)量較差，主要表現(xiàn)為散斑噪聲嚴(yán)重，結(jié)節(jié)邊緣模糊，邊界不連續(xù)，對(duì)比度低。邊緣信息主要集中在圖像的高頻域中，而高頻域中同樣會(huì)存在大量噪聲，其中斑點(diǎn)噪聲為影響超聲圖像質(zhì)量的主要干擾噪聲。這些給甲狀腺結(jié)節(jié)的語(yǔ)義分割帶來(lái)難度，并最終影響預(yù)測(cè)結(jié)論的準(zhǔn)確性。

其次，超聲影像識(shí)別和檢測(cè)技術(shù)中對(duì)數(shù)據(jù)的處理和運(yùn)算的要求較高，而現(xiàn)有的基于分割的預(yù)測(cè)方法為了提升分割效果，往往需要在圖像預(yù)處理過(guò)程進(jìn)行干預(yù)，因此可能存在實(shí)用性低的缺點(diǎn)，也會(huì)對(duì)最終的檢測(cè)速率帶來(lái)影響。如Park等發(fā)表在《科學(xué)報(bào)告(Scientific Reports)》上的文章《甲狀腺結(jié)節(jié)的診斷：深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型與放射科醫(yī)生的比較(Diagnosis of Thyroid Nodules:Performance of a Deep LearningConvolutional Neural Network Model vs.Radiologists)》中采用“高精度分割-多特征提取-結(jié)節(jié)分類”思路實(shí)現(xiàn)結(jié)節(jié)分類。整體包括三部分：(1)預(yù)處理中將結(jié)節(jié)區(qū)域設(shè)置在圖像中心，加強(qiáng)全卷積網(wǎng)絡(luò)對(duì)中心區(qū)域的關(guān)注并進(jìn)行結(jié)節(jié)分割；(2)利用分割結(jié)果生成三種具有不同程度背景的含結(jié)節(jié)圖像，提取特征信息；(3)對(duì)分割后的結(jié)節(jié)圖像進(jìn)行特征提取，并融合第二步得到的特征信息進(jìn)行良惡性分類。該網(wǎng)絡(luò)充分引入臨床經(jīng)驗(yàn)，對(duì)多種特征進(jìn)行了提取，有效保障了分類準(zhǔn)確度，但同時(shí)該模型為了提高分割精度，將結(jié)節(jié)區(qū)域人為設(shè)置在圖像中心，形成半自動(dòng)系統(tǒng)，一定程度上降低了實(shí)用性。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有的技術(shù)方案存在的問(wèn)題，本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)分割網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)侵襲性預(yù)測(cè)方法，該方法可以克服傳統(tǒng)檢測(cè)方法準(zhǔn)確率不足，檢測(cè)速率較低的缺陷。

為實(shí)現(xiàn)上述目的，本發(fā)明提供以下技術(shù)方案：

一種基于深度學(xué)習(xí)分割網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)侵襲性預(yù)測(cè)方法，該方法包括如下步驟：

S1：采用自適應(yīng)小波算法對(duì)臨床獲得的甲狀腺超聲圖像進(jìn)行預(yù)處理，剔除圖像噪聲并在高頻域內(nèi)保留圖像的邊緣信息，得到原始數(shù)據(jù)集；

S2：構(gòu)建基于深度學(xué)習(xí)分割網(wǎng)絡(luò)的主體結(jié)構(gòu)框架；主體結(jié)構(gòu)框架包括生成對(duì)抗網(wǎng)絡(luò)模型和分類網(wǎng)絡(luò)模型；生成對(duì)抗模型為基于生成對(duì)抗思想的深度學(xué)習(xí)模型，生成對(duì)抗模型包括生成器模塊和判別器模塊；分類網(wǎng)絡(luò)模型采用ResNet網(wǎng)絡(luò)作為基線網(wǎng)絡(luò)；

S3：對(duì)主體結(jié)構(gòu)框架中的生成對(duì)抗網(wǎng)絡(luò)模型進(jìn)行改進(jìn)；改進(jìn)內(nèi)容如下：