[发明专利]基于特征融合和迁移学习的甲状腺结节超声图像分类方法

说明书

本发明公开了基于特征融合和迁移学习的甲状腺结节超声图像分类方法，包括：采集甲状腺超声波影像进行预处理，提取出感兴趣区域并进行人工标记去除和降噪，并利用加权自适应伽马校正；进行图像增强，对图像增强后的样本数据集进行样本拓展，并利用拓展样本对预训练过的ResNet18卷积神经网络进行迁移学习微调；将自适应阈值LTP算子提取出的丰富纹理特征作为辅助输入，与超声图像通过多层卷积自动提取出的深层特征进行多尺度特征融合，共同对神经网络进行二次微调训练。本发明解决训练样本数量不足的问题，降低了模型的过拟合风险，还有效地将不同尺度的纹理特征和深层特征融合为联合特征参与网络训练，从而提升深层神经网络对甲状腺结节图像的分类效果。

技术领域

本发明属于图像区域定位和性状识别技术领域，具体应用于医院超声诊断识别技术，特别涉及基于特征融合和迁移学习的甲状腺结节超声图像分类方法。

背景技术

甲状腺癌的发病率虽只占甲状腺结节的5％、全身肿瘤的1％，却是内分泌系统最常见的恶性肿瘤。近些年来，中国甲状腺癌发病率一直呈攀升趋势，且在年龄小于30岁的年轻女性人群中，甲状腺癌发病率也位居恶性肿瘤的第1位。在过去的20余年中，随着医疗影像学技术的发展，大量的甲状腺结节可以在超声图像中正确地检测出来。因为大部分结节为良性或惰性的，对于结节的良恶性准确判断可以极大地降低病人的医疗风险以及大量的由细针穿刺活检带来的昂贵医疗费用，并且有利于减小病人在就医检查时的心理压力。目前对于甲状腺结节性状的检查主要依靠对超声波图像分析完成，医生总结了甲状腺结节的一系列超声图像特性作为癌变征兆，包括低回声、边缘粗糙不规则、微钙化点、硬度高、结节实性和纵横比等。基于这些性质，超声诊断医师提出了一种专业的甲状腺图像报告及数据系统(TI-RADS)来分类甲状腺结节并评估结节癌变的风险。在所有肿瘤的良恶性判断中，医生对于甲状腺肿瘤的诊断、治疗和效果争论最多，单凭TI-RADS系统对甲状腺结节进行评估耗费时间多且鲁棒性差。由于当前的超声图像学中的癌变结节判别依据尚不完善，成像后甲状腺良性结节与恶性结节的特征往往会相互交叉出现，这极大地限制医生的判别能力。因此，利用计算机对超声图像进行处理辅助医生做出诊断，有助于更加准确快速地判别出患者的甲状腺结节性状。

过去由于人工智能技术还未在医疗影像领域普及，为保障医学诊断的严谨，大都是依靠专业人员在大批量超声图像中对甲状腺结节进行区域标记和性状识别，但这不仅耗费人力成本和时间成本，而且误诊与漏诊的概率也会偏高。

随着现代计算机技术的飞速发展，传统的超声诊断技术和前沿的人工智能技术相结合，辅助医生进行甲状腺结节良恶性诊断已成大势所趋，这也对甲状腺癌疾病的预防和治疗具有重要意义。当前，人工智能与甲状腺结节超声诊断结合的研究目标大都集中于两个方向，一个是专注于提升甲状腺结节良恶性的分类精确率，一个是专注于提升甲状腺结节病灶的定位分割能力。但归根结底，对病灶的分割提取，也是为了辅助医生更好地对结节定性诊断，因为对甲状腺结节良恶性状的精准高效预判，才是医生和患者最需要的东西。

此前的研究工作大部分集中于从甲状腺超声图像中提取不同的低层特征信息，然后通过经典的机器学习分类器进行有监督分类。例如Chen等人提出了将纹理特征结合传统病理学特征并借助遗传支持向量机对甲状腺结节进行分类，Katsigiannis等人采用基于图像轮廓小波变换的特征对甲状腺超声纹理进行分类，Acharya等人采用复小波变换滤波器对甲状腺三维超声图像提取特征以进行分类甲状腺肿瘤。这些工作都是使用纹理特征结合支持向量机(SVM)分类器用来完成对结节性质的检测和分类。但传统的医学特征提取需要人工设计复杂的特征提取方法，提取到的特征维度较高，工作量大且效率较低。

随着机器学习的发展，近年来深度学习成为机器学习研究领域的一大热点。通过深度卷积神经网络(DCNNs)提取的图像特征被证明可以有效地应用于图像分类、分割或目标检测等应用中。与传统的特征提取算法相比，DCNNs在图像扭曲的情况下特征提取更加鲁棒，且具有计算量相对较低、以及面对不同输入图像，网络卷积层参数更加稳定等诸多优势。