[发明专利]超声甲状腺结节样例丰富及良恶性自动辅助识别系统

说明书

本发明属于医学图像处理以及计算机辅助疾病诊断领域，具体涉及一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统。包括以下步骤：搜集甲状腺结节超声原始图像和病理报告，构建甲状腺结节数据库；基于UNet网络结构对超声图像进行分割；基于条件变分自编码机由原始超声图像自动生成衍生超声图像，有效地丰富超声样本数据；基于SE‑ResNet50的网络结构对结节进行特征提取，结合超声诊断甲状腺结节的内外部回声、纵横比、边界边缘等临床特征，使用三分支多特征卷积神经网络，对结节进行良恶性自动分类。本发明能够有效丰富超声图像，改善医学数据库中存在的类别不平衡问题，实现了对超声甲状腺结节全自动分割及良恶性分类的计算机辅助诊断系统，为临床诊断提供了第二客观参考。

技术领域

本发明属于医学图像处理以及计算机辅助疾病诊断领域，具体涉及一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统。

背景技术

甲状腺结节指影像上发现的甲状腺局灶性病变，常出现在多种甲状腺疾病中。研究显示，高分辨率超声可在19％-68％的随机人群中检测出甲状腺结节，其中恶性结节即甲状腺癌患病率约为7％-15％。鉴别甲状腺结节的良恶性始终是临床关注的焦点。

超声是甲状腺结节在临床应用中最常用的检查方法，它具有安全、无创、价格低等优点。良性与恶性的甲状腺结节在超声图像中存在不同的特征表现，诸如内外部回声、纵横比、边界边缘、有无囊性变等特征。但超声图像易受到斑点噪声和回声扰动的影响，较难区分结节的边界。同时，甲状腺结节良恶性的诊断依赖于超声科医生的专业知识和临床经验，诊断结果受医生主观性影响较大。因此，基于计算机辅助技术的甲状腺超声图像结节分割和分类系统具有实际应用价值。

近年来，随着深度学习的快速发展，深度卷积神经网络被广泛应用到医学图像处理中，但深度学习网络的训练需要大量样本数据。然而临床医学图像的收集和标注费时费力，数据整理任务繁复，公开数据集的数量相对较少，同时医学数据库中常见类别不平衡等问题。

本发明提出超声甲状腺结节样例丰富及良恶性自动辅助识别系统，该系统对甲状腺超声图像结节区域进行自动分割；对甲状腺结节样例进行丰富，改善类别不平衡问题；并对甲状腺结节的良恶性进行自动分类。利用计算机辅助医生诊断，能够有效提高医生诊断准确率及效率，具有实际应用价值。

发明内容

本发明为解决现存的技术问题，提出一种超声甲状腺结节样例丰富及良恶性自动辅助识别系统。本发明采用基于UNet网络结构实现了甲状腺结节的自动分割；采用条件变分自编码机(Conditional Variational Auto Decoder,CVAE)来生成超声图像，有效地丰富超声样本数据；采用基于SE-ResNet50网络结构对结节进行特征提取，结合超声诊断甲状腺结节的内外部回声、纵横比、边界边缘等临床特征，使用三分支多特征卷积神经网络，对结节进行良恶性自动分类。

为实现上述目的，本发明提供了如下方案：

超声甲状腺结节样例丰富及良恶性自动辅助识别系统，包括以下步骤：

步骤一：收集甲状腺结节患者的超声原始图像及其对应的病理报告，并对超声图像甲状腺结节区域进行标注，构建超声甲状腺结节数据库；

步骤二：基于UNet网络结构实现对步骤一中超声甲状腺结节图像的自动分割，得到超声图像ROI区域。

步骤三：基于条件变分自编码机来生成超声图像，拟合步骤二甲状腺结节分割后图像的条件概率分布，丰富步骤四分类网络训练所需的良性超声图像样本数据。

步骤四：基于SE-ResNet50网络结构对甲状腺结节进行特征提取，结合超声诊断甲状腺结节内外部回声、纵横比、边界边缘等临床特征对步骤二的输出图像进行处理，将处理后的图像作为训练甲状腺结节分类网络的输入图像，并对三分支多特征卷积神经网络进行验证及测试，实现对甲状腺结节的良恶性自动分类。

所述步骤一中包括如下步骤：