[发明专利]一种级联全卷积神经网络的甲状腺结节超声图像分割方法

说明书

本发明公开了一种级联全卷积神经网络的甲状腺结节超声图像分割方法，包括：构建基于U‑Net的简易全卷积神经网络，根据简易全卷积神经网络对甲状腺超声数据中的超声图像进行分割，从中分割出感兴趣区域；采用VGG19‑FCN网络作为下采样层提取感兴趣区域的深层特征，以此实现对甲状腺结节的自动语义分割；其中，所述简易全卷积神经网络包括：用于下采样的五次卷积层、以及用于上采样的五次上采样层；其中，前五次卷积conv均由两个3x3的卷积层和一个池化层组成，每个卷积层均使用ReLU作为激活函数，后五次上采样层均为反卷积层。本发明为甲状腺结节良恶性的识别提供高精度的结节图像，从而在医学诊断方面起到更好的辅助作用。

技术领域

本发明涉及图像处理技术领域与医学辅助诊断领域，尤其涉及一种图像语义分割方法，特别涉及基于全卷积神经网络自动分割出甲状腺超声图像的结节部分的方法。

背景技术

甲状腺结节是现在普遍存在的一种疾病，有调查指出在人群中甲状腺结节的发生率将近50％，但仅有4％-8％的甲状腺结节在临床触诊中可被触及。甲状腺结节有良、恶性之分，恶性发生率为5％-10％。早期发现病灶对鉴别其良恶性、临床治疗和手术选择有重要意义。基于超声成像技术的甲状腺结节超声检查是目前常见的检查方式，然而医生诊断超声甲状腺图像的结果往往受到医学成像设备的成像机理、获取条件、显示设备等因素的影响而极易造成误诊或漏诊。因此，利用计算机实现甲状腺图像辅助诊断十分必要。但是固有的成像机制使得临床采集到的超声甲状腺结节图像质量均较差，导致辅助诊断的准确性和自动化均受到影响，而目前常见的基于活动轮廓的半自动分割甲状腺结节的方式分割准确性较低，对神经网络的良恶性分类会造成较大的干扰。

医学图像分割一直是图像语义分割领域的热点应用。传统的医学图像方法主要是基于水平集的方法。2014年，Chunming Li等人将该方法应用于心脏核磁共振(NuclearMagnetic Resonance,NMR)图像分割和腺体染色图像。然而甲状腺超声图像由于对比度低、存在散斑回声、甲状腺结节边界模糊且有钙化点阴影等特点使得该方法在应用于甲状腺超声图像中分割结节时准确率较低。近年来，随着深度学习的飞速发展，卷积神经网络在图像分割领域的准确率和效率上都远远超过了传统方法。Jinlian Ma等人首次将卷积神经网络应用于甲状腺超声图像的结节分割，并取得了较高的准确率。经典卷积神经网络(Convolutional Neural Network,CNN)在卷积层之后使用全连接层得到固定长度的特征向量进行分类，Jonathan Long等人提出的全卷积神经网络(FCN)则将全连接层替换为卷积层，并采用反卷积层对最后一个卷积层的特征图进行上采样，使其恢复到原图像尺寸，从而对每个像素都产生一个预测，同时也保留了原图像中的空间信息，最后在上采样的特征图上进行逐像素分类。Huang Lin等人将FCN应用于骨肉瘤CT图像分割。LeiBi等人的堆叠全卷积神经网络提升了医疗图像分割的性能，在胸部X-ray、心脏超声图像和组织学图像上均取得了良好的效果。Ronneberger基于FCN提出的U-net模型获得了ISBI cell trackingchallenge 2015的冠军。显然全卷积神经网络在医学图像分割领域有着巨大的潜力。

发明内容

基于以上问题，本发明的主要目的在于克服现有技术中的不足，提供一种级联全卷积神经网络的甲状腺结节超声图像分割方法，为甲状腺结节良恶性的识别提供高精度的结节图像，从而在医学诊断方面起到更好的辅助作用。

一种级联全卷积神经网络的甲状腺结节超声图像分割方法，所述方法包括以下步骤：

构建基于U-Net的简易全卷积神经网络，根据简易全卷积神经网络对甲状腺超声数据中的超声图像进行分割，从中分割出感兴趣区域；

采用VGG19-FCN网络作为下采样层提取感兴趣区域的深层特征，以此实现对甲状腺结节的自动语义分割；

其中，所述简易全卷积神经网络包括：

用于下采样的五次卷积层、以及用于上采样的五次上采样层；