[发明专利]一种甲状腺结节自动分割及分级的智能系统

说明书

本发明涉及一种甲状腺结节自动分割及分级的智能系统，其特征在于，包括：甲状腺超声图像数据库；甲状腺超声图像预处理模块；甲状腺结节特征提取模块：基于以ResNet34为主干的U‑Net分割模型对预处理后的甲状腺超声图像进行特征提取，以ResNet34为主干的U‑Net分割模型，包括下采样模块、特征融合模块与上采样模块；甲状腺结节分割模块：用于对进行了特征提取的图像进行语义分割，形成甲状腺结节分割结果图。

技术领域

本发明涉及图像处理与深度学习技术，具体涉及一种甲状腺结节自动分割及分级的智能方法。

背景技术

甲状腺癌是世界上增长最快的癌症之一。超声波成像(Ultrasound Imaging)凭借其无痛、无损、无辐射、速度快、价格低的优点，被广泛应用在甲状腺结节的前期诊断中。但由于超声成像原理，甲状腺图像存在灰度对比度低、边缘模糊、斑点噪声多等缺点，另一方面超声诊断的准确性受操作者的经验、检查技巧和认真程度影响，随着患者数量的急剧增加，医生的劳动强度也随之大幅提升，从而影响诊断结果。在过去的十年中，深度卷积神经网络已被广泛用于医学图像分割，深度学习模型具有较强的拟合能力，使其在甲状腺超声图像分割中取得最佳效果。大型的医疗平台和大量的医疗数据推动了智能医学的发展。

但目前的研究大多只是诊断结节的良恶性，并未对结节的恶性程度进行分层研究，而临床上大多是基于Kwak TI-RADS分级系统对病人进行诊断，Kwak TI-RADS分级系统总结了五个甲状腺结节恶性特征，包括：1、实性结节；2、低回声或极低回声；3、小分叶或边缘不规则；4、砂砾样钙化；5、纵横比≥1。并参照TI-RADS恶性风险程度分类系统确定了五类甲状腺结节的恶性程度，依次为TI-RADS 1类阴性、TI-RADS 2类确认良性病变、TI-RADS 3类无可疑超声表现、TI-RADS 4可疑恶性结节、TI-RADS 5类五个可疑超声表现，恶性率达到87.5％。

发明内容

本发明所要解决的技术问题是，提供一种甲状腺结节自动分割及分级的智能系统，用于基于深度学习对甲状腺结节自动分割及分级。技术方案如下：

一种甲状腺结节自动分割及分级的智能系统，其特征在于，包括：

甲状腺超声图像数据库：构建方法为：收集甲状腺结节患者的超声图像以及对应病理结果，勾画甲状腺结节的外周轮廓，并转化为二值图像；

甲状腺超声图像预处理模块：用于将对所得到的甲状腺超声图像数据库进行预处理，并分配训练集和测试集。

甲状腺结节特征提取模块：基于以ResNet34为主干的U-Net分割模型对预处理后的甲状腺超声图像进行特征提取，以ResNet34为主干的U-Net分割模型，包括下采样模块、特征融合模块与上采样模块，具体为：

下采样模块，用于对输入图像进行特征提取，方法为：首先使用大小为7×7，步长为2，数量为64的卷积核提取较大感受野区域的表层特征，将输入图像从512×512×1变为256×256×64；之后将ResNet34网络以池化操作为界限划分为四个Block，每一个Block由一系列卷积操作组成，卷积的激活函数均为ReLU，从上到下每一个Block中卷积层的数量依次为6、8、12、6层，每一个卷积层中卷积核的大小均为3×3，而从上到下四个Block中，卷积核的数量分别是128，256，896，1920，又称为卷积层的通道数，在相邻的Block之间，使用一个核大小为3×3的最大池化层将经过当前Block之后得到的特征图feature map大小缩小为原来的四分之一，长和宽各减为原来的一半，特征图的大小变化从512×512×1、256×256×64、128×128×128、64×64×256、32×32×896到16×16×1920；