[发明专利]基于Transformer的甲状腺结节检测方法

说明书

本发明公开了一种基于Transformer的甲状腺结节检测方法，涉及图像处理技术领域，该方法在获取甲状腺区域的待测超声图像并对获取到的待测超声图像进行图像预处理后，将其输入预先基于Transformer网络训练得到的结节检测模型中，根据结节检测模型的输出确定待测超声图像的结节的位置以及类型，完成对待测超声图像中的结节的检测，结节的类型用于指示结节为良性结节或恶性结节；该方法可以自动完成结节的定位和分类，自动化程度高、客观性好，且无需构建稠密的Anchor Box，无需使用NMS复杂的后处理操作，易于实现，对计算资源要求较低。

技术领域

本发明涉及图像处理技术领域，尤其是一种基于Transformer的甲状腺结节检测方法。

背景技术

甲状腺肿瘤是头颈部的常见和多发肿瘤。近些年来，甲状腺癌的发病率逐年增高，受到了临床人员和研究人员的广泛关注。某些甲状腺结节的恶性程度较高，因此对甲状腺结节的早期诊断和治疗能够有效地预防甲状腺癌。临床中一般使用超声对甲状腺进行检查，超声检查是现代临床广泛应用的一种影像学检查方式，能够获取患者甲状腺结节的边界、形态及回声等信息，为甲状腺结节患者的进一步治疗提供支持。但目前国内医疗资源紧张，有经验的超声医生数量较少，医生诊疗任务繁重，容易出现漏诊、误诊。因此，如何辅助医生对甲状腺结节进行实时诊断，从大量的甲状腺结节中鉴别出恶性结节，提高医生对甲状腺结节良恶性诊断的准确率，对于临床来说，具有非常重要的意义且富有挑战性。

目前已有很多运用深度学习方法在医疗图像上进行辅助诊断的技术，针对甲状腺超声图像中甲状腺结节的辅助诊断，基于深度学习的算法大致分成两类：一是基于RegionProposal(候选框)的Two Stage目标检测算法，如RCNN，Faster RCNN等。二是基于回归问题的One Stage目标检测算法，如YOLO，SSD等。Two Stage算法需要通过RPN网络预先产生候选框，然后通过卷积神经网络对目标进行分类，最后进行边界框位置的修正。One Stage算法不需要Region Proposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果。两者性能上存在差异，Two Stage算法精度高，但速度较慢。而One Stage算法在速度上有优势，精度略低。随着研究的发展，两类算法在不断改进精度和速度。

现有技术方案中，两种方法都具有以下缺点：(1)需要在实验前设置不同长宽比、不同尺寸的Anchor Box。但由于实际情况中输入甲状腺超声图像的尺寸不固定、图像内结节区域大小不一，Anchor Box的尺寸、长宽比、个数等超参数会给实验结果带来很大的影响，在实际辅助诊断的过程中面临着巨大的考验。(2)为了给实验结果带来较高的召回率，在一张图像中往往会设置大量且密集的Anchor Box，但每一张甲状腺超声图像中结节数量是极少的，大量的Anchor Box在训练阶段的类别划分时会带来极大的正负样本类别不均衡问题，并且在训练与测试阶段计算IoU时会加剧计算量且消耗内存资源。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于Transformer的甲状腺结节检测方法，本发明的技术方案如下：

一种基于Transformer的甲状腺结节检测方法，该方法包括：

获取甲状腺区域的待测超声图像并对获取到的待测超声图像进行图像预处理；

将完成图像预处理的待测超声图像输入结节检测模型，结节检测模型是预先基于Transformer网络训练得到的；

根据结节检测模型的输出确定待测超声图像的结节的位置以及类型，完成对待测超声图像中的结节的检测，结节的类型用于指示结节为良性结节或恶性结节。

其进一步的技术方案为，对获取到的待测超声图像进行图像预处理，包括：

通过阈值法对待测超声图像进行图像裁剪，保留待测超声图像中的超声窗口区域的图像、裁剪掉除超声窗口区域之外的背景区域的图像；