[发明专利]一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类系统

说明书

一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法，首先将超声图像进行预处理并缩放为统一尺寸，然后对超声图像提取传统底层特征，再通过迁移学习的方法，把自然图像中经深度神经网络训练得到的模型用于提取超声图像的高层语义特征，其后，将底层特征与高层特征融合，利用良恶性甲状腺结节的区分度进行特征筛选得到最终的特征向量，用于训练支持向量机分类器，进行最终的甲状腺结节良恶性分类；本发明将底层特征和高层特征相融合、并进行显著性特征筛选，弥补了单一特征在语义层次上对甲状腺结节特性描述能力的不足，有效提高了分类精度；通过引入迁移学习，解决了医学样本图像少、无法直接训练获取深度特征的问题。

技术领域

本发明属于医学图像分类技术领域，适用于超声甲状腺分类，具体涉及一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类系统。

背景技术

超声检查是甲状腺结节最有价值的诊断方法之一。超声波在人体内传播时，由于不同组织的声阻抗和衰减特性不同，表现出不同的回声强度。良恶性结节在超声图像中表现不同，因此可用图像识别和图像分类的方法，对甲状腺的结节进行良恶性自动分类与判别。该方法可为医生提供辅助性诊断手段，减轻医生临床诊断压力，解决诊断结果过度依赖医生主观经验问题，具有重要实用价值与理论意义。

甲状腺结节良恶性分类的关键在于寻找合适的有区分度的特征。传统方法是提取底层纹理特征、灰度特征等用于分类，如梯度直方图(HOG)、局部二值模式(LBP)、灰度共生矩阵(GLCM)、尺度不变特征(SIFT)、局部特征聚合描述符(VLAD)等特征。然而，超声图像具有斑点噪声严重、对比度低的固有成像特点，甲状腺结节的形状大小和病例特点又不尽相同，这些底层特征由于其单一性和局域性，缺少语义层次上对结节特性的有效描述，因此无法在结节良恶性分类任务中获得令人满意的结果。

近年来，深度学习，特别是卷积神经网络(CNNs)在图像识别领域展现了巨大的应用潜力。CNNs由多个卷积层和特征映射层组成，由CNNs提取得到的特征，可以看做是输入图像的一种高度融合的特征表达方式，其中体现了语义层次上的隐含信息。这类高层的语义特征正好可以补充传统底层特征在表达深度上的不足。将此特征引入超声图像分类的困难是，在医学领域无法获得如此大的数据集来训练一个针对性的深度网络，而采用小规模医学图像数据集(通常在数百张左右)训练一个含有上百万参数的深度网络，可以预见到训练会陷入过拟合。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类系统，通过引入迁移学习的概念，将自然图像中经神经网络训练得到的模型，应用到医学图像处理中，从而为医学图像提取更高层次的语义特征，能够较好地识别甲状腺结节的良恶性，获得更高的分类精度。

为了实现上述目的，本发明采用的技术方案是：

一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类系统，包括以下模块：

模块一，对包含结节区域的超声图像进行预处理，并将图像缩放为统一尺寸；

模块二，对模块一得到的每一张图像，分别提取底层特征；

模块三，将模块一得到的每一张图像，输入到已通过ImageNet数据集训练后的VGG-F模型，并提取第二个全连接层的输出向量作为该图像的高层语义特征；

模块四，将模块二和三提取的特征合并，根据良恶性甲状腺结节的区分度进行特征筛选，得到最终的显著特征描述向量；

模块五，将医生已标记好的甲状腺结节超声图像作为训练集，利用支持向量机(SVM)及模块四得到的显著特征描述向量进行样本训练，得到针对超声甲状腺结节的分类器；

模块六，将待分类的甲状腺结节超声图像按照模块二-四提取到其特征向量，并输入模块五得到的分类器，得到该结节良恶性分类结果。