一种基于SPECT影像的甲状腺疾病诊断方法技术

本发明专利技术提供一种基于SPECT影像的甲状腺疾病诊断方法，使用一种改进的DenseNet网络结构的卷积神经网络进行图像分类，在Dense block中的跨层连接中增加对于权重有影响的参数，并使得以前各层的特征图的权重在训练中进行动态调整，从而使得网络具有更大的灵活性，提高分类性能。实施实例表明该方法能够获得优于其他深度学习方法的性能。本发明专利技术可以广泛应用于甲状腺疾病的诊断和其他图像分类问题。

【技术实现步骤摘要】
一种基于SPECT影像的甲状腺疾病诊断方法
本专利技术涉及一种基于SPECT影像的甲状腺疾病诊断方法。
技术介绍
甲状腺可以产生甲状腺激素，在控制人体新陈代谢中起着至关重要的作用。甲状腺素(T4)和三碘甲状腺原氨酸(T3)是由甲状腺产生的两种活性甲状腺激素，它们对人体有很大的帮助，包括蛋白质的产生、体温调节和能量产生和调节。甲状腺疾病是内分泌领域的第二大疾病[1]，严重的甲状腺疾病可能导致死亡[1-3]。临床上诊断甲状腺疾病常用的因素有很多，如临床评价、血液检查、影像学检查、活检等。其中影像方法是一种非常重要的甲状腺诊断方法，这些图像主要包括超声、CT、SPECT等。超声是一种方便、实时、经济的成像方法，常用于临床筛查和判断甲状腺结节的性质。近年来，基于卷积神经网络的方法也被用于识别甲状腺良恶性结节[4,5]。CT影像可以用于发现甲状腺腺瘤和癌等疾病，神经网络方法可以被用于甲状腺区域分割和体积估计[6]。SPECT是一种利用常规伽马相机采集图像数据的核医学成像。SPECT成像系统由安装在架上的一个或多个常规伽玛相机组成，其探测器能够在收集这些图像的同时围绕患者精确和自动地旋转。SPECT成像的主要优点是产生的图像本质上是三维的。由于SPECT影像能够反映甲状腺的功能情况，在甲状腺的物理形态没有改变，而功能发生障碍的时候，超声和CT影像就无法检测出来，因此SPECT影像能够在疾病早期就及时发现疾病，在识别疑难甲状腺疾病中起着重要作用。临床辅助诊断能够降低医生由于疲劳等因素引起的诊断失误，开展基于SPECT影像的辅助诊断工作，能够提高临床诊断的准确性。机器学习是一种重要的辅助诊断方法，已经大量用于基于医学影像的检测和诊断中。监督学习是一种重要的机器学习方法，通过影像的训练样本和对应的疾病标签来学习数学函数，并判断出影像中的病灶为止或者属于哪类疾病[7-8]。主要的监督学习算法包括神经网络、支持向量机和深度学习方法。深度学习是一种应用效果较好的机器学习方法，随着图形处理单元(GPU)的发展，深度学习在各种医学应用中获得了突破性的性能。卷积神经网络(CNN)是医学图像分析领域中广泛应用的一种深度学习方法[9-18]。CNN以2D或3D图像作为输入，具有多层结构，包括池化层、卷积层、RELU层和全连接层等，具有局部感知、权重共享、和多卷积核的特点，从而极大地降低了神经网络模型中的大量参数的计算量。尽管现有的CNN方法可以直接用于SPECT影像对甲状腺疾病进行分类，实现甲状腺疾病的诊断，但是这些已有方法存在准确性低、性能不佳的问题。本专利技术针对这一问题，提出一种基于SPECT影像的甲状腺疾病诊断方法。
技术实现思路
针对现有的CNN方法应用于SPECT影像存在的准确性低、性能不佳的问题，本专利技术提出了一种基于SPECT影像的甲状腺疾病诊断方法，该方法采用一种改进的CNN网络结构，该结构将可训练的权重参数添加到跨层连接中，使得网络能够在训练期间学习权重的参数，克服原来网络存在的跨层连接会导致信息冗余和降低网络性能的问题，从而提高了识别方法的准确性。DenseNet是一种广泛应用的CNN网络结构[18]。其特点是通过密集连接缓解了梯度消失的问题，加强特征传播，减少参数量。网络中每一层的输入都是前面所有层输出的并集，且该层所学习的特征图也会直接传给其后面所有层作为输入。DenseNet利用减少每层的计算量以及特征复用提高了网络的效率，通过让第l层的输入直接影响到之后的所有层，在第l层，其输出和输入关系有yl＝Fl([x0,x1,...,xl-1],{Wl}),(1)其中，l表示当前的层数，yl是该层的输出；[x0,x1,...,xl-1]是在0,1,...,l-1层中生成的特征图(featuremap)，以通道的维度进行合并(concatenation)；Fl表示非线性变换，包括BN,ReLU和3x3的卷积等网络形式，Wl表示Fl的参数。本专利技术在DenseNet的基础上对网络结构进行改进。DenseNet中的跨层连接用相同的权重连接所有以前的特征，但不是所有以前的的特征都是有用的，因此这种连接会导致信息冗余和降低网络性能。本专利技术提供一种基于SPECT影像的甲状腺疾病诊断方法，通过采用卷积神经网络的机器学习方法对SPECT图像进行分类，达到检测或者识别甲状腺疾病的目的，前述卷积神经网络采用DenseNet网络结构或者改进的DenseNet网络结构，其特征在于：第一，前述卷积神经网络连接具有以下特征：在每一个密集连接denseblock模块里面，将可训练的权重参数添加到每个跨层连接中，初始化值设置为1，从而不会影响训练前的权重，在前向传播过程中，将网络中每一层的特征与相应的权重相乘，这样得到的在第l层输入和输出的关系是yl＝Fl([x0·kl,0,x1·kl,1,...,xl-1·kl,l-1],{Wl}),(2)其中，l表示当前的层数，yl是该层的输出；[x0,x1,...,xl-1]是在0,1,...,l-1层中生成的特征图；Fl表示非线性变换，包括但不限于以下的网络形式：BN,ReLU和3x3的卷积；Wl表示Fl的参数；kl,0,kl,1,...,kl,l-1指的是当x0,x1,...,xl-1连接到l层时确定x0,x1,...,xl-1的权重的参数；第二，前述卷积神经网络在学习过程中具有以下特征：网络在训练期间学习前述权重的参数，在反向传播过程中，前述权重参数的值表示相应特征图的影响程度，当该相应特征图在分类任务中包含较多有用信息或者起主要的作用时，该相应特征图对应的权重参数将相对较大；而当该特征图在分类任务中包含较少有用信息，或者起次要作用，或者不起作用的时候，该相应特征图对应的权重参数将相对较小。上述改进带来的有益效果是：由于每个层的特征权重在连接时不再是固定的，网络具有更大的灵活性，并且具有过滤无效特征的能力；同时，网络中的池化层被替换为扩展卷积层，以便尽可能地保存特征的有用信息。本专利技术利用DenseNet的改进的网络结构和学习过程，能够克服特征总和弱化的缺点，得到更准确的检测结果。下面结合附图，对具体实施实例及其有益效果作进一步的说明。附图说明图1改进的网络结构图2实施实例的具体网络信息图3不同迭代次数的平均精度曲线图4不同方法的混淆矩阵具体实施方式下面结合附图，对本专利技术提供的基于SPECT影像的甲状腺疾病的诊断方法的具体实施方式说明如下：图1给出了改进的网络结构，在密集连接denseblock模块中增加了跨层连接的可训练权重参数。图2给出了一种实施实例的具体网络信息，本专利技术的实现包括但是不限于该网络信息。本专利技术具体实施例中的网络使用深度学习框架PyTorch实现，按照图2设置和连接网络各层，按照图1和公式(2)设置网络的学习方式。对框架提供的DenseNet121进行加载，使用迁移学习方法用ImageNet预先训练网络，然后用SPECT图像数据集对其进行微调。使用SGD来训练网络，其动量为0.9。每个小批包含5个图像，每个图像大小为255×255。初始学习率设为0.001，每5个训练周期的学习率为原来的1/10，损失函数设为交叉熵损失。为了进一步评估本专利技术方法的性能，本实施例中进行了相同的10次实验，并本文档来自技高网...

【技术保护点】
1.一种基于SPECT影像的甲状腺疾病诊断方法，通过采用卷积神经网络的机器学习方法对SPECT图像进行分类，达到检测或者识别甲状腺疾病的目的，前述卷积神经网络采用DenseNet网络结构或者改进的DenseNet网络结构，其特征在于：第一，前述卷积神经网络连接具有以下特征：在每一个密集连接dense block模块里面，将可训练的权重参数添加到每个跨层连接中，初始化值设置为1，从而不会影响训练前的权重，在前向传播过程中，将网络中每一层的特征与相应的权重相乘，这样得到的在第l层输入和输出的关系是yl＝Fl([x0·kl,0,x1·kl,1,...,xl‑1·kl,l‑1],{Wl}),   (2)其中，l表示当前的层数，yl是该层的输出；[x0,x1,...,xl‑1]是在0,1,...,l‑1层中生成的特征图；Fl表示非线性变换，包括但不限于以下的网络形式：BN,ReLU和3x3的卷积；Wl表示Fl的参数；kl,0,kl,1,...,kl,l‑1指的是当x0,x1,...,xl‑1连接到l层时确定x0,x1,...,xl‑1的权重的参数；第二，前述卷积神经网络在学习过程中具有以下特征：网络在训练期间学习前述权重的参数，在反向传播过程中，前述权重参数的值表示相应特征图的影响程度，当该相应特征图在分类任务中包含较多有用信息或者起主要的作用时，该相应特征图对应的权重参数将相对较大；而当该特征图在分类任务中包含较少有用信息，或者起次要作用，或者不起作用的时候，该相应特征图对应的权重参数将相对较小。...

【技术特征摘要】
1.一种基于SPECT影像的甲状腺疾病诊断方法，通过采用卷积神经网络的机器学习方法对SPECT图像进行分类，达到检测或者识别甲状腺疾病的目的，前述卷积神经网络采用DenseNet网络结构或者改进的DenseNet网络结构，其特征在于：第一，前述卷积神经网络连接具有以下特征：在每一个密集连接denseblock模块里面，将可训练的权重参数添加到每个跨层连接中，初始化值设置为1，从而不会影响训练前的权重，在前向传播过程中，将网络中每一层的特征与相应的权重相乘，这样得到的在第l层输入和输出的关系是yl＝Fl([x0·kl,0,x1·kl,1,...,xl-1·kl,l-1],{Wl}),(2)其中，l表示当前的层数，yl是该层的输出；[x0,x1,...

【专利技术属性】
技术研发人员：马立勇，马城宽，张湧，林文靖，张姝婷，孙明健，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：山东,37