[发明专利]基于二维超声图像的甲状腺体积自动估算方法及系统

权利要求书

1.一种基于二维超声图像的甲状腺体积自动估算方法，其特征在于，包括以下步骤：

步骤S101，利用超声设备对甲状腺进行连续横扫及纵扫，以采集多张二维超声图像；

步骤S102，利用深度学习算法对所述多张二维超声图像进行语义分割，获得多张二值分割图像，其中，所述步骤S102进一步包括：

利用所述深度学习算法对所述多张不同截面的二维超声图像进行上采样、降采样和卷积操作，提取所述多张不同截面的二维超声图像的多个关键特征，进而得到所述多张二值分割图像；

步骤S103，根据所述多张二值分割图像计算每个纵扫截面甲状腺侧叶的最大长度a，每个横扫截面甲状腺侧叶的最大宽度b和最大厚度c_max，自动选出最大横向截面和最大纵向截面，具体地：

对所述多张二值分割图像中所有纵扫图像按行统计像素数，取当前截面甲状腺侧叶的最大长度a；

对所述多张二值分割图像中所有横扫图像按行、列分别统计像素数，分别取当前截面甲状腺侧叶的最大宽度b和最大厚度c_max；

统计比较每个纵扫截面的最大长度a，取最大值所在的截面作为所述最大纵向截面，同时，统计比较每个横扫截面的最大宽度b和最大厚度c_max，取最大宽度b和最大厚度c_max综合最大的横扫截面作为所述最大横向截面；

步骤S104，处理所述最大横向截面和所述最大纵向截面得到甲状腺估算体积。

2.根据权利要求1所述的基于二维超声图像的甲状腺体积自动估算方法，其特征在于，所述深度学习算法为全卷积神经网络FCN、编码器-解码器模型、基于多尺度和金字塔网络的模型、循环神经网络、膨胀卷积模型、基于注意力机制的模型和对抗生成网络中任一项或多项的组合。

3.根据权利要求1所述的基于二维超声图像的甲状腺体积自动估算方法，其特征在于，所述甲状腺估算体积的计算公式为：

其中，在最大纵向截面上沿最大长度a方向，按宽度比c(a)/c_max等比缩放最大横向截面面积对甲状腺进行积分，进而获得甲状腺估算体积V_thyroid，c(a)为最大纵向截面在最大长度a方向上的厚度，a₀和a_n分别为最大纵向截面在最大长度a方向上的下限值和上限值。

4.一种基于二维超声图像的甲状腺体积自动估算系统，其特征在于，包括：

采集模块，用于利用超声设备对甲状腺进行连续横扫及纵扫，以采集多张二维超声图像；

语义分割模块，用于利用深度学习算法对所述多张二维超声图像进行语义分割，获得多张二值分割图像，其中，所述语义分割模块具体用于：

利用所述深度学习算法对所述多张不同截面的二维超声图像进行上采样、降采样和卷积操作，提取所述多张不同截面的二维超声图像的多个关键特征，进而得到所述多张二值分割图像；

筛选模块，用于根据所述多张二值分割图像计算每个纵扫截面甲状腺侧叶的最大长度a，每个横扫截面甲状腺侧叶的最大宽度b和最大厚度c_max，自动选出最大横向截面和最大纵向截面，其中，所述筛选模块具体用于：

对所述多张二值分割图像中所有纵扫图像按行统计像素数，取当前截面甲状腺侧叶的最大长度a；

对所述多张二值分割图像中所有横扫图像按行、列分别统计像素数，分别取当前截面甲状腺侧叶的最大宽度b和最大厚度c_max；

统计比较每个纵扫截面的最大长度a，取最大值所在的截面作为所述最大纵向截面，同时，统计比较每个横扫截面的最大宽度b和最大厚度c_max，取最大宽度b和最大厚度c_max综合最大的横扫截面作为所述最大横向截面；

数据处理模块，用于处理所述最大横向截面和所述最大纵向截面得到甲状腺估算体积。

5.根据权利要求4所述的基于二维超声图像的甲状腺体积自动估算系统，其特征在于，所述深度学习算法为全卷积神经网络FCN、编码器-解码器模型、基于多尺度和金字塔网络的模型、循环神经网络、膨胀卷积模型、基于注意力机制的模型和对抗生成网络中任一项或多项的组合。

6.根据权利要求4所述的基于二维超声图像的甲状腺体积自动估算系统，其特征在于，所述甲状腺估算体积的计算公式为：

其中，在最大纵向截面上沿最大长度a方向，按宽度比c(a)/c_max等比缩放最大横向截面面积对甲状腺进行积分，进而获得甲状腺估算体积V_thyroid，c(a)为最大纵向截面在最大长度a方向上的厚度，a₀和a_n分别为最大纵向截面在最大长度a方向上的下限值和上限值。