[發(fā)明專利]一種基于特征解耦的超聲圖像甲狀腺結(jié)節(jié)分類方法

在審

• 申請?zhí)枺?/td>: 202210037158.0
• 申請日: 2022-01-13
• 公開（公告）號: CN114398979A
• 公開（公告）日: 2022-04-26
• 發(fā)明（設(shè)計）人: 馬步云;趙世軒;李永杰;陳楊
• 申請（專利權(quán)）人: 四川大學(xué)華西醫(yī)院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/82;G06T7/00;G16H50/20;G06N3/04;G06N3/08
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 周永宏

本發(fā)明公開一種基于特征解耦的超聲圖像甲狀腺結(jié)節(jié)分類方法，應(yīng)用于圖像處理技術(shù)領(lǐng)域，針對現(xiàn)有技術(shù)局限于改變神經(jīng)網(wǎng)絡(luò)的輸入來獲得不同視野下的特征的問題；本發(fā)明建立了一種新的局部/全局特征提取方法，該方法使用自注意機(jī)制設(shè)計了組織?解剖解耦模塊來連接“What”和“Where”兩條通路，以多任務(wù)學(xué)習(xí)的形式完成了甲狀腺結(jié)節(jié)良惡性分類的任務(wù)；本發(fā)明的方法可以自適應(yīng)的在特征空間完成局部/全局特征解耦，相比于現(xiàn)有方法擁有更大的視野范圍，可以獲取更有效且穩(wěn)定的特征。其在超聲圖像下的甲狀腺結(jié)節(jié)良惡性分類取得了超過醫(yī)生的診斷性能。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種基于特征解耦的超聲圖像甲狀腺結(jié)節(jié)分類技術(shù)。

背景技術(shù)

甲狀腺結(jié)節(jié)是一種常見的結(jié)節(jié)性病變。根據(jù)中華醫(yī)學(xué)會對甲狀腺疾病的流行病學(xué)調(diào)查結(jié)果顯示，甲狀腺結(jié)節(jié)的患病率高達(dá)18.6％，其中惡性結(jié)節(jié)(甲狀腺癌)占5％-15％。為了使甲狀腺結(jié)節(jié)患者獲得正確的治療方式，準(zhǔn)確區(qū)分結(jié)節(jié)良惡性至關(guān)重要。診斷甲狀腺結(jié)節(jié)良惡性有兩種常用的方法：無創(chuàng)的甲狀腺超聲成像和有創(chuàng)的細(xì)針穿刺活檢(fine-needleaspiration biopsy,FNAB)。FNAB是結(jié)節(jié)診斷的金標(biāo)準(zhǔn)，但使用FNAB進(jìn)行大規(guī)模篩查會使患者遭受創(chuàng)傷并產(chǎn)生大量費用的浪費。相反，超聲成像速度快、成本低、無輻射，且獲得高分辨率的圖像的同時不會對患者的淺表器官造成損傷。其適用于各年齡段人群的甲狀腺健康檢查，是目前最常用的檢查方法之一。

2009年，Horvath等人提出了甲狀腺成像報告和數(shù)據(jù)系統(tǒng)(Thyroid ImagingReporting and Data System,TI-RADS)。TI-RADS旨在為評估甲狀腺結(jié)節(jié)提供更標(biāo)準(zhǔn)的指導(dǎo)，避免不必要的侵入性檢查。其基于甲狀腺超聲圖像，利用形狀、朝向、邊緣、鈣化和回聲等特征作為超聲描述符對甲狀腺結(jié)節(jié)惡性腫瘤的風(fēng)險進(jìn)行分級。然而，仍然有幾個障礙限制了TI-RADS的診斷效果。一是醫(yī)學(xué)領(lǐng)域?qū)α紣盒越Y(jié)節(jié)特征的認(rèn)識不充分，臨床實踐中醫(yī)生對結(jié)節(jié)的解釋和描述仍存在爭議。其次，超聲醫(yī)師的判斷是主觀性的，嚴(yán)重依賴大量經(jīng)驗，醫(yī)療資源的不平衡將大大增加在偏遠(yuǎn)或資源貧乏地區(qū)的大規(guī)模篩查的難度。因此，基于超聲圖像的甲狀腺結(jié)節(jié)智能分類是一個關(guān)鍵課題。

近年來，基于影像組學(xué)的醫(yī)學(xué)大數(shù)據(jù)分析方法成為研究熱點。其可以定量分析醫(yī)學(xué)圖像數(shù)據(jù)的特征，從而獲得肉眼無法識別或難以量化的疾病特征。影像組學(xué)也被應(yīng)用于甲狀腺結(jié)節(jié)的良惡性分類任務(wù)，主要分為兩大類：傳統(tǒng)方法和深度學(xué)習(xí)方法。

傳統(tǒng)方法采用人工設(shè)計的特征提取方法，結(jié)合特征選擇和分類器進(jìn)行診斷。然而，傳統(tǒng)方法依賴于良好的輪廓勾畫來保證特征提取的穩(wěn)定性，這顯著地增加了人力成本，且醫(yī)生對輪廓標(biāo)注的主觀性易造成特征的偏差，影響分類模型的泛化性能。

深度學(xué)習(xí)方法基于深度神經(jīng)網(wǎng)絡(luò)(DNN)，其借助于數(shù)據(jù)驅(qū)動的模式自適應(yīng)地學(xué)習(xí)特征提取并進(jìn)行預(yù)測。DNN可以看作是從圖像到類標(biāo)簽端到端映射的方法，具有特征提取、特征選擇、分類等功能。甲狀腺超聲圖像具有高度復(fù)雜性(包含氣管、動脈、肌肉等多種組織)，且結(jié)節(jié)形狀、大小的都具有顯著的差異，這些都增加了普通DNN訓(xùn)練的難度。本發(fā)明總結(jié)了人類醫(yī)生在診斷過程中依據(jù)的特征(即影像學(xué)表現(xiàn))，其分為兩大類：局部特征(內(nèi)部回聲強(qiáng)度、紋理、邊界定義、縱橫比等)和全局特征(甲狀腺位置、周圍回聲、相對大小等)。有效利用這兩類特征將有利于建立性能更佳的DNN模型。

盡管DNN擁有強(qiáng)大的特征提取能力，但從醫(yī)學(xué)圖像中提取局部和全局特征仍具有挑戰(zhàn)性。He等人將醫(yī)生勾畫的甲狀腺結(jié)節(jié)圖像作為神經(jīng)網(wǎng)絡(luò)的輸入來提取局部特征，將結(jié)節(jié)周圍更大范圍的圖像作為全局特征，在結(jié)節(jié)分類上取得了良好的性能。Xie等人對肺結(jié)節(jié)的模型建立了整體外觀、體素值異質(zhì)性和形狀異質(zhì)性三種類型的輸入來提取多樣性的特征。盡管這些研究在提取局部和全局特征方面做了不同的嘗試，但也局限于改變神經(jīng)網(wǎng)絡(luò)的輸入來獲得不同視野下的特征。

發(fā)明內(nèi)容