多阶U-Net甲状腺超声图像自动分割方法

甲状腺超声图像广泛应用于甲状腺相关疾病的诊断。针对甲状腺超声图像对比度低、边缘模糊以及散斑噪声严重等问题,提出一种基于多阶U-Net的深度卷积网络模型,用于实现甲状腺腺体与甲状腺结节的自动分割。该模型以U-Net为基本网络框架,通过不断进阶的特征融合,以实现图像边缘的信息提取。同时,在模型中使用了一种多尺度残差卷积模块以进一步提升分割精度。对比实验结果表明,该模型相较于其他方法能够获得更好的分割结果,具有一定的临床应用价值。

基于注意力机制的甲状腺超声图像感兴趣区域定位方法

针对甲状腺超声图像中背景干扰及数据集规模受限的问题,提出了基于注意力机制的甲状腺超声图像感兴趣区域定位方法。采用跨尺度注意力交互策略,改进定位模型的特征网络,提高不同尺度下各层级特征的融合效率;通过知识蒸馏实现特征网络特征提取能力的强化,解决数据规模不足引起的网络过拟合问题;依据解剖学甲状腺形态统计分布设计t掩码,联合注意力掩码计算特征损失,引导网络对甲状腺超声图像关键通道和像素信息的学习,实现对甲状腺超声图像感兴趣区域的定位。实验结果表明,当IoU阈值为0.5时,甲状腺超声图像感兴趣区域定位AP达到92.7%,对辅助医生进行甲状腺疾病的诊断具有临床意义和价值。

甲状腺超声图像处理软件系统辅助鉴别甲状腺良恶性结节的应用价值

目的探讨甲状腺超声图像处理软件(以下简称CAD)辅助鉴别甲状腺良恶性结节的诊断价值。方法 166例甲状腺结节患者根据二维超声及二维联合超声造影图像特征分别进行TI-RADS分级,CAD系统分析后自动进行分级。绘制受试者工作特征(ROC)曲线,比较CAD系统分析、二维超声及二维联合超声造影对甲状腺良恶性结节的诊断效能,计算曲线下面积。结果二维超声、CAD系统、二维超声联合超声造影将甲状腺结节分为TI-RADS 3、4a、4b、4c级的个数分别为28、43、73、22个;23、35、54、54个;39、26、34、67个。CAD系统分析显示甲状腺良恶性结节低回声、强回声点(疑似微钙化)、不规则边缘比较差异均有统计学意义(均P<0.05),而不均质实质、纵横比>1、粗钙化、边缘有低回声晕或部分低回声晕比较差异均无统计学意义。以≥TI-RADS 4b级作为三种方法诊断甲状腺恶性结节的截断值,CAD系统的诊断敏感性及准确率均高于二维超声(91.2%vs. 79.4%,85.5%vs. 78.9%),特异性低于二维超声(76.6%vs.78.1%);二维联合超声造影的诊断特异性及准确率均高于CAD(82.8%vs. 76.6%,86.1%vs. 85.5%),差异均有统计学意义(均P<0.05)。ROC曲线分析显示CAD系统、二维超声、二维联合超声造影的曲线下面积分别为0.859、0.833、0.930。结论 CAD系统可客观、全面、准确地量化结节特征,其作为一种鉴别甲状腺良恶性结节的辅助诊断方法,临床应用价值高。

基于双边滤波-距离正则化水平集演化算法的甲状腺超声图像分割

超声图像有斑点噪声,且对比度低、边界模糊,所以甲状腺超声图像分割较为困难。针对此问题,本研究提出一种结合双边滤波(bilateral filters,BF)和改进边缘指示函数的距离正则化水平集演化(distance regularized level set evolution,DRLSE)模型的分割算法。先对甲状腺超声图像进行双边滤波,然后采用改进的DRLSE模型对甲状腺进行分割。通过与采用另外两种边缘指示函数的DRLSE模型对比,本研究提出的BF-DRLSE模型能减少斑点噪声对分割过程的影响,并在明显减少曲线演化运行时间和迭代次数的情况下有效分割甲状腺。

基于TI-RADS的甲状腺结节超声图像特征提取技术研究

超声是甲状腺检查的首选影像学方法。甲状腺超声影像的临床分析主要通过医生参考甲状腺影像报告和数据系统(TI-RADS)对超声图像进行特征评价量化,但特征量化结果与医生的经验、状态等主观因素相关。通过计算机辅助分析方法,可客观定量地分析超声影像特征,减少主观因素对诊断结果的影响。但已有系统多是使用经典的图像纹理特征,这类特征抽象且缺乏明确意义,难以在临床运用。通过对TI-RADS中涉及到的超声征象进行提取并量化,利用医生在临床诊断中依据经验所使用的视觉特征,设计对应的量化方法,可为甲状腺超声的标准化描述提供基础。根据这些特征,通过统计学习方法建立甲状腺结节良恶性鉴别模型,为临床诊断提供参考建议,该模型的识别正确率达到了100%。

联合超声甲状腺结节分割与分类的多任务方法研究

针对超声图像中甲状腺结节多尺度、结节边缘模糊、良恶分类不平衡问题,提出一种联合超声甲状腺结节分割与分类的多任务方法。以全卷积网络作为主干共享网络,将提取到的浅层特征共享给多任务分支网络,在分割网络分支中,先加入深层卷积块,获取分割分支深层特征,再对深层特征进行上采样。本文提出一种改进卷积注意力模块的多尺度卷积注意力模块,将上采样结果与主干共享网络每个特征提取阶段经过带有多尺度卷积注意力模块跳跃连接后的特征张量进行拼接,减少结节边缘模糊问题,提高分割性能。同时将多尺度卷积注意力模块融入到分类分支中,优化分类性能。实验结果表明:本文所提多任务方法能有效提升分割和分类的精度,较单任务深度学习网络具有更优的分割与分类性能,能有效处理甲状腺结节多尺度、结节边缘模糊的问题,降低良恶分类不平衡带来的影响。

基于改进U-Net网络的甲状腺结节超声图像分割方法

针对甲状腺结节尺寸多变、超声图像中甲状腺结节边缘模糊导致难以分割的问题,该文提出一种基于改进U-net网络的甲状腺结节超声图像分割方法。该方法首先将图片经过有残差结构和多尺度卷积结构的编码器路径进行降尺度特征提取;然后,利用带有注意力模块的跳跃长连接部分对特征张量进行边缘轮廓保持操作;最后,使用带有残差结构和多尺度卷积结构的解码器路径得到分割结果。实验结果表明,该文所提方法的平均分割Dice值达到0.7822,较传统U-Net方法具有更优的分割性能。

基于改进DRLSE模型的甲状腺3D超声图像自动分割

从超声图像中准确分割甲状腺区域是甲状腺疾病手术计划的关键之一。本文一方面,针对甲状腺超声3D图像,提出利用边缘指示函数和面积项系数改进的距离正则化水平集演化(Distance Regularized Level Set Evolution,DRLSE)模型来实现甲状腺区域的有效分割;另一方面,根据3D超声图像相邻帧之间甲状腺变化较小的特点,通过计算已分割图像的质心,作为相邻帧图像分割初始点来实现3D图像的自动分割。实验表明,采用本文改进DRLSE模型分割甲状腺3D超声图像,平均分割精度可以达到90%以上。

改进Mask R-CNN的甲状腺结节超声图像分割方法

甲状腺结节超声图像对比度低,斑点噪声严重,且不同病人的甲状腺结节形态差异较大,这给医生准确分割结节带来极大困难。为了精确地从超声图像中分割出甲状腺结节,对原掩膜区域卷积神经网络(mask region-convolutional neural network,Mask R-CNN)的主干网络进行改进。在原主干网络的残差网络层中加入注意力机制模块来提高模型收敛性,并且在特征金字塔网络中增添一条由下向上的支路,将该支路输出特征图进行融合后,输入至区域推荐网络和感兴趣区域池化层,从而能够在融合多尺度特征的同时平衡特征图信息差异。经过对600幅甲状腺结节超声图像进行测试,改进后Mask R-CNN图像分割的平均Dice系数为0.9148,平均精确度为0.9322,平均召回率为0.9034,平均F1分数为0.9176。改进算法分割的Dice系数比原Mask R-CNN提升了0.0806,改进算法可以应用于实际临床医学中自动分割甲状腺结节超声图像。

基于局部纹理特征的超声甲状腺结节良恶性识别

为了实现超声甲状腺结节的自动分类,本文提出了一种利用局部纹理特征与多示例学习方法相结合以克服结节区域特征信息的重叠性。从感兴趣区域提取其局部纹理特征,将感兴趣区域看作由所有局部特征构成的示例包,再采用多示例学习方法中的Citation-kNN算法来实现对样本进行识别分类。实验结果表明,本文方法对超声甲状腺结节良恶性识别具有较高的分类准确率,且分类准确率达85.59%,可应用于甲状腺临床诊断并为其相关领域提供有效参考。

基于Cascade Rcnn的超声甲状腺结节检测研究

甲状腺超声图像由于对比度低、边缘不清晰、高噪声和周围组织复杂难辨等问题,给医生诊断甲状腺疾病造成困难。针对此问题,采用Cascade Rcnn目标检测算法,分别以ResNet50、Resnet101以及融合压缩激励注意力模块SE-ResNet50、SE-ReNet101为主干网络,对从某三甲医院获取的1513例(其中良性结节832例,恶性结节681例)甲状腺超声图像,在专业超声科医生的指导下进行预处理,制作本次实验使用的标准coco格式数据集。采用迁移学习的方式将从Imagenet大型数据库上预训练得到的权重迁移到本次实验模型结构中,经过4个主干网络的实验结果对比,以SE-ResNet101为主干网络的Cascade Rcnn算法,在结节定位和判别方面,实现了精确率92.4%,召回率86.2%,特异性95.1%,F1值89.2%,mAP值82.4%的检测效果,对辅助医生进行甲状腺超声图像的诊断具有一定的临床指导意义。

自适应滤波结合改进T-snake模型的甲状腺超声图自动分割方法

提出一种基于T-snake模型的甲状腺超声波图像分割的新方法。首先,结合基于窗口的各向异性扩散滤波方法与自适应加权中值滤波算法有效地消除甲状腺超声波图像斑点噪声;其次,以传统T-snake模型为基础,增加自适应区域能量和膨胀力对非连续边界与弱边界进行有效提取,实现甲状腺超声波图像的自动分割;最后设定模型参数,使用临床数据进行实验。结果证明,应用该方法得到自动分割结果的平均相对差异度小于5%,平均相对重叠度大于91%,验证了其可行性。

集成多尺度微调卷积神经网络下的甲状腺结节良恶性识别

针对由于训练图像样本较少与忽略多尺度的结构和纹理信息而导致分类性能不佳问题,为提升甲状腺结节良恶性诊断准确率,提出了集成多尺度微调卷积神经网络下的甲状腺结节超声图像识别算法.首先将图像转换成具有3种不同尺度信息作为输入数据,以便模型能够学习到图像不同尺度的特征信息,提高模型的特征提取能力;其次,通过优化3种预训练模型(AlexNet,VGG16和ResNet50)的全连接层结构和迁移学习与微调策略,构建了3种不同尺度的9个微调模型,让模型能够更好地学习源域(ImageNet)和目标域(甲状腺超声图像)上的特征差异;最后选择最优的微调模型组合并通过对模型输出类别概率的加权融合方法得到最终的集成模型,利用模型的多样性进一步提升分类性能.文中算法在真实采集的数据集上和其他算法进行对比实验,得到甲状腺结节良恶性识别的准确率为96.00%,敏感度为94.10%,特异度为97.70%,AUC为98.00%实验结果表明,该算法在这些指标上均优于传统机器学习算法和当前甲状腺结节良恶性识别领域中的其他算法,能够有效地提取出互补的视觉特征信息,具有令人满意的分类性能.

基于相位一致性改进的活动轮廓分割模型

为了实现甲状腺超声图像中结节组织的快速准确分割,克服图像灰度分布不均匀和边缘模糊对分割结果造成的影响,采用了基于相位一致性改进的活动轮廓分割模型。首先,利用相位一致性边缘检测原理构造一种新的速度函数,不仅弥补了梯度算子边缘检测中由于滤波处理造成边缘损坏的缺陷,而且可以灵活地控制曲线演化速率;然后,将该速度函数乘入到无边缘主动轮廓模型的能量项中,避免了线性组合中的权重分配问题,同时具有全局分割能力。通过理论分析和实验验证,改进模型的相对差异度均小于1%,运行时间均低于对比模型。结果表明,新模型实现了灰度分布不均匀图像的精确分割,同时分割效率也有所提高。

卷积神经网络在医学超声诊断中的应用研究

超声诊断技术是一种无损伤、非介入、经济实用、可重复性、适应性广的检查手段,因此其应用面广泛,随着多维成像技术与临床经验的积累,多维成像需要更多的后续分析计算以及不同处理方法。,甲状腺疾病近年来呈高发趋势,利用深度学习方法对甲状腺结节良恶性识别具有重大的临床应用价值,本文以甲状腺超声诊断为例,就卷积神经网络在甲状腺超声诊断应用中面临的问题及研究进展进行综述。