[发明专利]一种基于TSN和SSN在超声图像中的甲状腺结节良恶性分类方法

说明书

本发明公开了一种基于TSN和SSN在超声图像中的甲状腺结节良恶性分类方法，包括如下步骤：收集甲状腺结节的超声图像和病理结果，生成甲状腺结节的轮廓掩膜图像；建立纹理聚焦流网络TSN；建立轮廓检测CD模块引导的形状聚焦流网络SSN；将TSN和SSN的输出拼接在一起进行结节分类；采用CAM注意力网络来引导TSN和SSN，使得决策注意力集中在结节区域；将决策注意图限制在轮廓掩膜的范围内，获取最终甲状腺结节性质的分类。本发明设计的TSN和SSN可以很好地互补，能够捕捉更加丰富的结节特征信息，能够明显提高TSN和SSN双流网络的性能。本发明性能稳定，准确率高，为临床提供客观参考。

技术领域

本发明属于图像处理和人工智能辅助检测疾病领域，具体涉及一种基于TSN和SSN在超声图像中的甲状腺结节良恶性分类方法。

背景技术

甲状腺是成年人最大的内分泌腺之一，位于颈部甲状软骨下方，气管两旁，其生成的甲状腺激素和降钙素可以调节人体生长发育和钙磷平衡，因此拥有一个功能完备的腺体是拥有健康身体的前提。目前甲状腺病症在临床中较为常见，其中甲状腺结节是甲状腺的常见疾病之一，它发病原因复杂，病患基础大，性质为恶性的甲状腺结节也是严重威胁人类健康的恶性肿瘤之一。因此，在精准医疗和医疗管理系统中，能否准确诊断甲状腺结节对患者的管理和治疗非常重要。根据甲状腺超声图像特征，美国放射学会在2017年发布了在目前仍被认为是甲状腺超声评价指南的甲状腺成像报告和数据系统(Thyroid ImagingReport And Data System，TI-RADS)。其包括了五大类对甲状腺结节诊断具有重要作用的超声特征：成分，回声性质，形状，边缘和回声灶。该指南作为一个积分系统，是目前放射科医生解释甲状腺结节所遵循的标准。但是，超声成像固有缺陷使其易受到回声的干扰和噪声影响，成像好坏以及评价准确性都依赖于放射科医生的临床经验。而由于甲状腺成像报告和数据系统描述的甲状腺纹理特征(如囊性、海绵状和回声性质)和形状特征(如边缘、分叶状和纵横比)的复杂变化，以及良、恶性结节在超声图像上的视觉相似性，使得即使是有经验的放射科医生对超声特征的准确识别和一致性解释仍存在挑战，不同医生之间的诊断结果也会出现可变性和不一致性。最后，放射科医生评估结节也是一项费时费力的工作，病患基数较大的情况之下，其工作流程不能快速有效地评估结节，尤其是在间歇性被打扰和长时间工作的情况下。

发明内容

本发明所要解决的技术问题是，提供一种基于TSN和SSN在超声图像中的甲状腺结节良恶性分类方法，以ResNet34卷积神经网络作为主干网络，提取甲状腺结节超声图像的纹理特征，在建立纹理聚焦流网络TSN的基础上，建立轮廓检测CD模块引导的形状聚焦流网络SSN，进而获取决策注意图，使得决策注意力集中在结节区域，得出甲状腺结节性质分类，为临床提供客观参考。

为解决上述技术问题，本发明采用的技术方案为：

一种基于TSN和SSN在超声图像中的甲状腺结节良恶性分类方法，

一种基于TSN和SSN在超声图像中的甲状腺结节良恶性分类方法，包括如下步骤：

步骤1：收集甲状腺结节的超声图像，和超声图像对应的病理结果，基于超声图像生成甲状腺结节的轮廓掩膜图像；

步骤2：以ResNet34卷积神经网络作为主干网络，提取甲状腺结节的纹理特征，建立纹理聚焦流网络TSN；

步骤3：基于ResNet34卷积神经网络，提取甲状腺结节的形状特征，建立受轮廓检测CD模块引导的形状聚焦流网络SSN；

步骤4：将纹理聚焦流网络TSN和形状聚焦流网络SSN的输出拼接在一起进行结节分类；

步骤5：采用CAM注意力网络来引导纹理聚焦流网络TSN和形状聚焦流网络SSN，获取决策注意图，使得决策注意力集中在结节区域；

步骤6：将决策注意图限制在轮廓掩膜的范围内，获取最终甲状腺结节性质的分类。