[发明专利]一种基于生成式对抗网络的甲状腺结节识别方法

说明书

本发明公开了一种基于生成式对抗网络的甲状腺结节识别方法，包括如下步骤：筛选患有甲状腺疾病病人的数据，建立甲状腺结节数据库，对甲状腺结节和甲状腺实质进行圈画标注；语义分割：以U‑net作为生成网络的条件生成对抗网络模型，输入标注完成的图像实现语义分割；良恶性分类输入：经过多次卷积、激活、池化后，卷积神经网络使用全连接层对提取出的特征进行整合，实现图像良恶性判断；病灶输入卷积神经网后，卷积神经网自动分类病灶，输出病灶的良恶性判别结果；根据以上训练结果，给出病人病情的参考诊断报告。本发明提高医生对于甲状腺结节良恶性判别的准确度，减少超声对甲状腺筛查的时间，减轻医护人员的工作强度，增加患者满意度。

技术领域

本发明涉及一种图像处理与医学辅助诊断领域，具体是一种基于生成式对抗网络的甲状腺结节识别方法。

背景技术

甲状腺存在于人体颈部的下部,其功能是产生激素，为身体细胞提供能量。目前，甲状腺癌的发病率呈上升趋势。 虽然甲状腺癌的发病率很高，但是，在超过 50％的成人中，大多数甲状腺结节结果大约只有 7％为恶性且良恶性结节诊断方式差别迥异，因此对甲状腺结节良恶性的判别对于甲状腺疾病的诊断与治疗起到重要的临床指导意义。

超声（Ultrasound,US）技术是一种无创、便携和安全的成像模式，广泛应用于甲状腺结节的诊断和随访中。在美国，甲状腺超声检查已经是评估甲状腺结节的最佳诊断工具，可帮助临床医生选择最合适的治疗策略，帮助他们有效地确定结节是否是良性或恶性。但是，在检测不可触及的甲状腺癌评估中，超声图像的甲状腺良恶性判别仍存在诸多问题，例如数据仅仅来自于单一机构和回顾性质，只有小部分的结节被完全评估，无法全面考虑利用超声图像对甲状腺良恶性判别潜在的多重问题，因此需要进一步研究包括各种类型的甲状腺恶性肿瘤。在选用代表图像方面，大多使用单个图像作为代表图像，忽略了其他标准视图的研究，更是无法确定横向和纵向图像是否有助于减少放射科医师在选择代表性图像时的变化；另外细针穿刺活检可以在大多数情况下区分恶性和良性结节，但它毕竟是一种侵入性手术，会给患者造成不适，因此不作为我们判断甲状腺良恶性的首选筛查方式。

在甲状腺病变的研究中，国内外研究内容大多数是围绕超声检查技术进行的，而超声图像本身的属性是反映甲状腺良恶性判别标准的关键因素。超声图像诊断最大区别于其他影像学检查，例如：计算机断层扫描（Computed Tomography,CT）、磁共振成像（Magnetic Resonance Imaging,MRI）等。在于整个超声学诊断过程完全取决于首次操作的医生的视觉评估，整个诊断过程缺少可重复性，因此如何量化超声数据，使得医生能够定性、定量分析甲状腺结节的特性是课题解决问题的关键。关于超声图像的甲状腺良恶性判别模型研究也得到了越来越多的关注。从超声图像中检测甲状腺结节对临床指标和诊断的计算非常重要。最近几年，随着高速度、多功能电子计算机硬件以及高性能计算机软件的研发，超声技术得以不断提高，同时，日益廉价的大容量存储介质得以让更多的宝贵医学图像得以保存，使得基于大数据模式背景下的医学图像诊断发挥着重要的作用，在构建超声图像的甲状腺良恶性判别模型中，提高模型的准确度，使得模型与临床病理达到高度的一致性，以实现更准确的甲状腺结节良恶性的判别。

随着甲状腺结节和甲状腺癌的发病率在世界范围内不断增加，甲状腺结节和甲状腺癌的临床管理负担逐年递增。因此诊断恶性和良性甲状腺结节至关重要，这样可以避免不必要的细针穿刺（FNA）活检和外科手术，节约大量的医疗资源。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于生成式对抗网络的甲状腺结节识别方法，提高医生对于甲状腺结节良恶性判别的准确度，降低了甲状腺结节良恶性的误诊率，减少甲状腺超声筛查的时间，减轻医护人员的工作强度及压力，增加患者在诊疗过程中的满意度。

为了实现上述目的，本发明采用的技术方案是：一种基于生成式对抗网络的甲状腺结节识别方法，包括如下步骤：

A．建立甲状腺结节数据库