[发明专利]一种基于超声图像的甲状腺结节自动分割方法

说明书

本发明是一种基于超声图像的甲状腺结节自动分割方法，包括以下步骤：步骤1：利用公开甲状腺结节数据集建立训练集及测试集；包括对图像和XML文件进行处理，再经过裁剪得到图像与其对应的标签，按比例分为训练集、测试集和交叉验证集；步骤2：建立甲状腺结节分割网络：其中使用空洞卷积、密集连接以及repair‑module(修正模块)等网络结构；步骤3：利用训练集对甲状腺结节分割网络进行训练，得到训练好的分割模型；步骤4：在测试集中验证分割模型，对甲状腺结节进行分割，得到结节病灶信息。本发明利用训练集对甲状腺结节分割网络进行训练，得到训练好的分割模型，辅助医生提高诊断效率。

技术领域

本发明是一种基于超声图像的甲状腺结节自动分割方法，涉及医学影像计算机辅助诊断领域。

技术背景

甲状腺是人体内最大的内分泌器官，是人体内极为重要的调节代谢的器官。由于人们的饮食习惯、生活习惯的不规律以及精神压力大等因素的影响，甲状腺疾病的发病率逐年上升。甲状腺疾病发病率在50％以上，并且各个年龄段都有发病的可能。甲状腺结节的发病率高，但超过90％的概率为良性结节，并且药物治疗对恶性结节十分有效。因此只要在早期通过医学检查发现，并尽早地进行临床治疗，可将治愈率提高到95％以上。

超声检查的敏感性极高，并且具有实时性、无放射性、无创低价等优点，检查方便且对人体无伤害，因此在临床上应用极为广泛，是目前甲状腺结节性疾病检查的首选方式。然而医生数量较为紧缺，这些枯燥且较为机械的超声图像检查不仅会消耗医生大量的时间和精力，也是对医疗资源的一种浪费。所以对于甲状腺结节类型的疾病而言，利用计算机进行辅助诊断是十分有必要的。

传统的图像分割方法在甲状腺结节上表现并不理想，离实际应用有较远的距离。自从2012年AlexNet提出，深度学习在计算机视觉任务上取得了巨大的成功。深度学习中的卷积网络结构具备自动学习样本特征的能力，可以充分利用图像中的高阶语义信息，减少人工特征的设计。在甲状腺结节分割领域，使用深度学习方法替代传统方法实现自动化和智能化的检测，具有良好的发展前景，并且已经得到广泛的关注。

然而，现有的深度学习甲状腺结节分割算法，尚存在以下不足：

1)由于甲状腺结节超声图像较为模糊，在医学图像处理中属于较难的分割任务，现有的分割算法在甲状腺结节分割上表现仍不是十分理想，一些研究者采取空洞卷积来增大感受野，效果有所提升，但是使用空洞卷积的分割算法假阴性率较高，会出现较为明显的孔洞现象。

2)现有的大部分分割算法都是来源于自然图像分割，没有针对甲状腺图像的特点进行优化，尤其是必要的轻量化处理，网络结构较为复杂，因此训练和测试的速度都比较慢。

3)现有开源的甲状腺结节数据集一般较小，而现有分割算法中采取的批归一化(Batch Normalization)在批量(Batch size)较小时的效果不如批量较大时理想，导致分割算法的表现不尽如人意。

4)现有的分割算法损失函数通常都是交叉熵，这是一种通用的损失函数，但是对于甲状腺结节分割来说却并不是最适合的。

发明内容

本发明的目的是提供一种基于超声图像的甲状腺结节自动分割方法，利用训练集对甲状腺结节分割网络进行训练，得到训练好的检测模型。本发明能够在保证分割效果的同时，提升分割效率，有助于减轻医生阅片压力，提高医生诊断效率。

为实现本发明的目的所采用的技术方案是：

一种基于超声图像的甲状腺结节自动分割方法，其特征在于，包括以下步骤：

步骤1：利用公开甲状腺结节数据集建立训练集及测试集：包括对图像和 XML文件进行处理，再经过裁剪得到图像与其对应的标签，按比例分为训练集、测试集和交叉验证集；

步骤2：建立甲状腺结节分割网络：其中使用空洞卷积、密集连接以及 repair-module(修正模块)等网络结构；