[发明专利]一种基于目标检测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，具体为一种基于目标检测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，得到原始数据集；S2：构建基于传统Faster RCNN的网络结构的定位网络模型；并对定位网络模型进行预训练；S3：利用定位网络对超声图像中的结节形态信息进行提取；得到结节的纵横比信息，以及腺体组织的上下文信息；S4：构建分类网络模型；S5：建立多模型融合的甲状腺结节侵袭性预测网络，对超声图像中甲状腺结节侵袭性进行预测；S6：对融合的网络模型中的分类网络模型进行训练更新，保存验证集中准确率最高的模型。该方法可以实现端到端全自动辅助诊断，克服传统方法准确率不足，检测速率低的缺陷。

技术领域

本发明属于图像处理技术领域，具体为一种基于目标检测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，现有的甲状腺结节的性质分类检测方法中并未兼顾结节本身的特征信息以及与腺体组织的上下文信息；这会对最终的预测结论的可靠性产生不可忽视的影响：Liu等在发表在《医学图像分析(Medical Image Analysis)》的文章《基于临床知识指导的卷积神经网络在超声图像甲状腺结节自动检测与分类中的应用(Automated detection andclassification of thyroid nodules in ultrasound images using clinical-knowledge-guided convolutional neural networks)》提出一种利用基于ResNet-50的多尺度金字塔定位网络来对结节定位并生成三种不同的结节图像并分类的方法，但网络没有更多地引入医学临床经验。迟剑宁、于晓升、张艺菲发表在《中国图象图形学报》上的文章《融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断》提出一种基于深层语义特征和浅层纹理特征融合的甲状腺结节良恶性分类算法，但该模型的不足为超声图像中的病灶区域的生成需要医师手工标注，即该模型实用性较低，无法高效实现辅助诊断。此外，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状信息。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检测带来难度，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，而现有的检测方法在思路上并未特别针对支持并行计算架构加速进行设计，因此可能存在检测速度较慢的缺点。同时，现有的检测方法也并未对卷积通道参数和层数进行特殊设计，这也会对最终的检测速率带来影响。

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目标检测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难以兼顾结节本身和腺体组织上下文信息从而导致准确率不足的弊端，以及克服传统算法无法实现端到端全自动系统的缺陷。

为实现上述目的，本发明提供以下技术方案：

一种基于目标检测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；