[发明专利]一种基于深度学习分割网络的甲状腺结节侵袭性预测方法

说明书

本发明属于图像处理技术领域，具体为一种基于深度学习分割网络的甲状腺结节侵袭性预测方法。该方法包括如下步骤：S1：对临床获得的甲状腺超声图像进行预处理；S2：构建基于深度学习分割网络的主体结构框架；S3：对主体结构框架中的生成对抗网络模型进行改进；S4：对甲状腺结节进行精确地语义分割，统计出结节面积、纵横比、轮廓规则程度的信息；S5：获取经过裁剪后的只含有结节的新的图像数据集；S6：对分类网络模型的非线性表达能力进行改进提升，S7：利用改进后的分类网络模型对预测结果进行分类，并对分类网络模型进行训练更新。本发明提供的方法可以实现端到端自动辅助诊断，克服传统检测方法准确率不足，检测速率较低的缺陷。

技术领域

本发明属于图像处理技术领域，具体为一种基于深度学习分割网络的甲状腺结节侵袭性预测方法。

背景技术

甲状腺是人体最大的内分泌腺，超声检查能对其大小，体积与血流做出定性和定量的估测，对肿瘤的良恶性可进行定性或半定性的诊断，因此超声检测方法也成为影像检查甲状腺疾病的首选方法。过去的甲状腺超声检测结果主要由医生根据经验进行判断，并作出结论预测。图像识别技术引入之后，各种基于分类的检测系统可以代替人工对超声影像数据进行处理和预测，从而大大提高图像的检测效率；同时将图像识别处理技术和人工经验进行结合，先由计算机给出初步预测结论，再由医生进行结论复核，这有助于降低医生的误判率和工作负担。

但是，现有的各种基于分类的检测系统在甲状腺超声影响的识别处理上仍然存在一些弊端。例如，超声图像主要为灰度图像，包含甲状腺结节的位置信息和形态信息。临床获得的超声甲状腺图像质量较差，主要表现为散斑噪声严重，结节边缘模糊，边界不连续，对比度低。边缘信息主要集中在图像的高频域中，而高频域中同样会存在大量噪声，其中斑点噪声为影响超声图像质量的主要干扰噪声。这些给甲状腺结节的语义分割带来难度，并最终影响预测结论的准确性。

其次，超声影像识别和检测技术中对数据的处理和运算的要求较高，而现有的基于分割的预测方法为了提升分割效果，往往需要在图像预处理过程进行干预，因此可能存在实用性低的缺点，也会对最终的检测速率带来影响。如Park等发表在《科学报告(Scientific Reports)》上的文章《甲状腺结节的诊断：深度学习卷积神经网络模型与放射科医生的比较(Diagnosis of Thyroid Nodules:Performance of a Deep LearningConvolutional Neural Network Model vs.Radiologists)》中采用“高精度分割-多特征提取-结节分类”思路实现结节分类。整体包括三部分：(1)预处理中将结节区域设置在图像中心，加强全卷积网络对中心区域的关注并进行结节分割；(2)利用分割结果生成三种具有不同程度背景的含结节图像，提取特征信息；(3)对分割后的结节图像进行特征提取，并融合第二步得到的特征信息进行良恶性分类。该网络充分引入临床经验，对多种特征进行了提取，有效保障了分类准确度，但同时该模型为了提高分割精度，将结节区域人为设置在图像中心，形成半自动系统，一定程度上降低了实用性。

发明内容

针对现有的技术方案存在的问题，本发明的目的在于提供一种基于深度学习分割网络的甲状腺结节侵袭性预测方法，该方法可以克服传统检测方法准确率不足，检测速率较低的缺陷。

为实现上述目的，本发明提供以下技术方案：

一种基于深度学习分割网络的甲状腺结节侵袭性预测方法，该方法包括如下步骤：

S1：采用自适应小波算法对临床获得的甲状腺超声图像进行预处理，剔除图像噪声并在高频域内保留图像的边缘信息，得到原始数据集；

S2：构建基于深度学习分割网络的主体结构框架；主体结构框架包括生成对抗网络模型和分类网络模型；生成对抗模型为基于生成对抗思想的深度学习模型，生成对抗模型包括生成器模块和判别器模块；分类网络模型采用ResNet网络作为基线网络；

S3：对主体结构框架中的生成对抗网络模型进行改进；改进内容如下：