[发明专利]一种基于深度学习的甲状腺结节超声图像分割方法

说明书

本发明公开了一种基于深度学习的甲状腺结节超声图像分割方法，所述方法包括以下步骤：输入原始甲状腺超声图像，通过感兴趣区域语义分割模型获取感兴趣区域预测图，并将预测图对应到原始甲状腺超声图像中提取感兴趣区域；在人工标记识别模型中输入提取到的甲状腺超声图像感兴趣区域，对感兴趣区域中的结节进行粗定位；将粗定位图像输入甲状腺超声图像结节边缘分割模型，得到结节预测图，画出结节边缘。本发明有效克服了甲状腺结节超声图像分辨率低、干扰信息多带来的分割困难、准确率低等问题，最终大幅提高结节分割的准确性。

技术领域

本发明涉及超声图像分割领域，尤其涉及一种基于深度学习的甲状腺结节超声图像分割方法。

背景技术

图像语义分割是将图像按照不同的语义划分为不同的区域，并通过不同的颜色来可视化标注出这些区域所代表的物体的类别。医学图像分割是图像语义分割领域的热点应用之一。医学图像分割的目的是根据图像本身的语义特点将图像分割为不同的部分，为临床诊断和病理学研究提供可靠依据，其分割的精度不仅仅影响接下来的其他处理步骤，还可能会影响图像的分析结果，进而对临床诊断以及科研工作产生影响。

图像分割的传统方法主要分为基于区域、基于边缘和基于分类三种分割算法。

基于区域的算法有分水岭分割法、自适应区域生长方法等。分水岭分割法是基于测地线分水岭构成原理而提出的图像分割算法，在分割任务中能够取得较好的效果，但存在对噪声敏感、易过分割、轮廓易丢失等问题。自适应区域生长方法则是利用不同区域的特征自动学习对应不同区域的生长方式，在腹腔CT图像和脑部MRI图像上均取得了较好的效果。

基于边缘的分割方法是通过检测包含不同区域的边缘来解决分割问题，该方法的难点在于边缘检测时抗噪性与检测精度之间的矛盾。若要提高抗噪性，会产生轮廓漏检和位置偏差，若要提高检测精度，噪声产生的伪边缘会导致不合理的轮廓。

基于分类器的算法有随机数森林方法，随机森林由多个决策树组成，将一幅图像经过多个决策树分类后，每个决策树有一个分类结果，通过投票方式产生对该图像的最终分类结果。该方法是图像语义分割的常用机器学习方法，但没有被应用于医学图像分割。

此外还有一些其他的算法可用于图像分割。如基于统计的分割方法，该方法利用统计学理论对数字图像进行建模从而对图像目标进行分割，可以有效抑制噪声对分割结果的影像，但是受初始参数的影响较大。基于遗传学算法的分割方法利用遗传算法的全局寻优能力及其对初始位置不敏感的特性，可以改进图像分割的性能，该方法的难点在于适应度函数的选择及交叉概率和变异概率的确定。

发明内容

本发明提供了一种基于深度学习的甲状腺结节超声图像分割方法，本发明有效克服了甲状腺结节超声图像分辨率低、干扰信息多带来的分割困难、准确率低等问题，最终大幅提高结节分割的准确性，详见下文描述：

一种基于深度学习的甲状腺结节超声图像分割方法，所述方法包括以下步骤：

输入原始甲状腺超声图像，通过感兴趣区域语义分割模型获取感兴趣区域预测图，并将预测图对应到原始甲状腺超声图像中提取感兴趣区域；

在人工标记识别模型中输入提取到的甲状腺超声图像感兴趣区域，对感兴趣区域中的结节进行粗定位；

将粗定位图像输入甲状腺超声图像结节边缘分割模型，得到结节预测图，画出结节边缘。

其中，所述感兴趣区域语义分割模型具体为：下采样与上采样完全对应的全卷积神经网络结构，

网络使用了10次卷积和5次池化来保证最后的像素分类结果的感受野包含整张图像；

每两次卷积使用一次池化对特征图进行下采样，网络使用连续5次与池化层一一对应的反卷积层来对特征图进行上采样；