一种基于非对称网络的超声甲状腺结节分割方法技术

一种基于非对称网络的超声甲状腺结节分割方法，属于深度学习图像分割领域。编码层是一个U

【技术实现步骤摘要】
一种基于非对称网络的超声甲状腺结节分割方法


[0001]本专利技术属于深度学习图像分割领域，具体涉及一种基于非对称网络的甲状腺结节超声图像分割方法。

技术介绍

[0002]甲状腺疾病是目前发病率最高的结节性疾病，超声检查是诊断甲状腺结节的首要方式。然而目前医学仪器采集到的超声医学图像对比度较低，散斑噪声较多，而且甲状腺结节形状多变，位置多变，这给甲状腺疾病的确诊带来了很大的难度。
[0003]近年来，医疗影像技术的不断发展，计算机辅助诊断已逐渐受到研究人员重视，采用神经网络建立医学影像分割模型得到广泛的应用,针对甲状腺超声图像辅助诊断的研究也得到了长足的发展。2015年，Ronneberger等人提出了U-net的编码解码结构的深度卷积网络，使其能够使用很少的训练图像和较少的参数就能得到精确的分割结果。Unet添加上采样阶段和特征通道，得到图像的上下文信息；添加跳跃连接，使解码结构上特征图融合更多low-level的特征和不同尺寸的特征，从而可以进行多尺度预测和深度监督。2018年，Wang等人实验表明不同空洞率的感受野大小不同，通过组合不同空洞率的空洞卷积，可以获得不同感受野信息。2019年，Nandamuri等人通过一种全卷积神经网络SUMNet实现对超声甲状腺的快速分割。
[0004]上述方法通过卷积神经网络提取图像特征信息，结合图像的浅层信息和深层信息，使其在生物医学图像分割任务上得到了较高的性能。但是对于甲状腺超声图像来说，图像对比度低，甲状腺结节较小，前景与背景的比例极度不平衡，结节的边界有许多毛刺，容易受到甲状腺周围组织器官的干扰,不能得到好的分割结果。针对该问题，本文提出了非对称的网络结构，将Unet作为编码层，捕获全局上下文信息，精准获取结节位置，解码层可以完全访问编码层的层次结构，进一步提取对于最终目标更具区分性的特征，细化边缘信息。

技术实现思路

[0005]为了精确定位甲状腺的位置，实现甲状腺结节的快速分割，本专利技术设计一个非对称的网络模型，用于协助医生进行甲状腺疾病诊断，实现更快、更准确地识别患者结节位置。
[0006]为了实现上述目的，本专利技术采用的技术方案：
[0007]一种基于非对称网络的超声甲状腺结节分割方法，步骤如下：
[0008](1)将从医院采集到的甲状腺超声图像，裁剪成大小一致的单通道灰度图像，来减轻网络模型的参数量。将数据进行预处理，并按比例分为训练集和测试集。进一步的，由于数据集较少，对数据进行翻转、旋转、增强对比度等一系列数据增强操作。
[0009](2)构建非对称网络，将处理好的训练集数据送入非对称网络中训练，得到网络模型。
[0010](3)在测试集上验证步骤(2)得到的网络模型的分割效果，并输出分割结果。
[0011]所述第(2)步构建非对称网络的步骤如下:
[0012]非对称网络包括编码层和解码层。
[0013](2.1)编码层是一个U-Net网络。包括4个下卷积和4个上卷积，每个下卷积包括两个3
×
3的卷积层(conv2d)、两个归一化层(BatchNorm2d)、两个修正线性单元(relu)和一个最大池化层(maxpooling)，最大池化层采用2
×
2的卷积,步长为2。每个上卷积包括两个3
×
3的卷积层、两个归一化层、两个修正线性单元和一个上采样层，上采样层卷积核大小为2
×
2，卷积层的核大小为3
×
3。
[0014]单通道数据经过四个下卷积，图像通道数依次变为64、128、256、512，获取高级语义特征，之后经过四个上卷积将图像恢复到原图像的分辨率，通道数依次变为256、128、64、1，得到一个特征图。
[0015](2.2)拆分混洗模块分为3个分支，第一个分支是经过卷积核为1的卷积层；第二个分支是包含两个3
×
3的卷积层(空洞率(dilation rate)分别为2和4)、归一化层(BatchNorm2d)、修正线性单元，第三个分支是先经过卷积核为3、空洞率为2的卷积层、归一化层、修正线性单元，再经过1
×
1的卷积层。将三个分支得到的结果进行连接，再和初始特征图相加，得到输出结果。经过编码层得到的特征图与步骤(2.1)下卷积得到的结果进行拼接，得到初始特征图，将初始特征图送入拆分混洗模块，得到新的特征结果，接着新的特征结果与编码层中对应相同层的卷积得到的结果拼接，继续送入拆分混洗模块，依次循环，直至得到最终预测分割结果图。该拆分混洗模块的作用是关注特征图上的关键信息，增强图像边缘信息，来弥补编码层局部信息不足的缺点。
[0016](2.3)网络的解码层就是编码层中每层卷积得到的结果与拆分混洗模块的结果拼接，送入下一个拆分混洗模块中，依次循环。
[0017]采用上述技术方案带来的有益效果：
[0018]编码层是一个U-Net网络，可以获取更多的上下文语义的特征信息，能都准确检测尺度、形状和位置等多变的甲状腺结节，解码层使用空洞卷积，残差连接和卷积核分解的组合，可以将高维全局上下文语义特征信息逐步还原细节纹理及边缘信息。本专利技术构造的模型在甲状腺数据集上达到了与高精度模型类似的分割精度，IOU比U-Net模型高2％左右，且平均分割一张图片的时间为1.9s左右，比医生手动分割效率得到了大大的提升。解决了传统方法中干扰因素过多和图像边缘信息丢失严重的问题，具有较好的准确性和泛化能力。
附图说明
[0019]图1为本专利技术的流程图。
[0020]图2为本专利技术的神经网络结构图。
[0021]图3为本专利技术的神经网络内部模块结构图。其中，(a)表示下卷积，(b)表示上卷积，(c)表示拆分混洗模块。
具体实施方式
[0022]下面结合附图和具体实施方式对本专利技术作进一步的详细说明。
[0023]本专利技术构造了一种基于非对称网络的超声甲状腺结节方法，具体步骤如下:
[0024](1)将从医院采集到的甲状腺超声图像，裁剪成256
×
256大小的单通道灰度图像，
来减轻网络模型的参数量。将数据按照8：2分为训练集和测试集。由于数据集较少，对数据进行翻转、旋转、增强对比度等一系列数据增强操作。
[0025](2)构建非对称网络，将处理好的数据送入网络中训练，网络使用Adam的梯度下降法进行网络优化，对学习率进行自动调参得到网络模型。
[0026]所述第二步构建非对称网络的步骤如下:
[0027](2.1)编码层是一个U-Net网络，4个下卷积和4个上卷积，每个下卷积包含两个3
×
3的卷积层(conv2d)、归一化层(BatchNorm2d)、修正线性单元(relu)，最后一个最大池化(maxpooling)，池化层采用2
×
2的卷积,步长为2。每个上卷积包含两个3
×
3的卷积层、归一化层、修正线性单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非对称网络的超声甲状腺结节分割方法，其特征在于，步骤如下：(1)将从医院采集到的甲状腺超声图像，裁剪成大小一致的单通道灰度图像，来减轻网络模型的参数量；将数据进行预处理，并按比例分为训练集和测试集；进一步的，由于数据集较少，对数据进行翻转、旋转、增强对比度等一系列数据增强操作；(2)构建非对称网络，将处理好的训练集数据送入非对称网络中训练，得到网络模型；(3)在测试集上验证步骤(2)得到的网络模型的分割效果，并输出分割结果。2.根据权利要求1所述的一种基于非对称网络的超声甲状腺结节分割方法，其特征在于，所述第(2)步构建非对称网络的步骤如下:非对称网络包括编码层和解码层；(2.1)编码层是一个U-Net网络；包括4个下卷积和4个上卷积，每个下卷积包括两个3
×
3的卷积层(conv2d)、两个归一化层(BatchNorm2d)、两个修正线性单元(relu)和一个最大池化层(maxpooling)，最大池化层采用2
×
2的卷积,步长为2；每个上卷积包括两个3
×
3的卷积层、两个归一化层、两个修正线性单元和一个上采样层，上采样层卷积核大小为2
×
2，卷积层的核大小为3
×
...

【专利技术属性】
技术研发人员：肖志勇，吉淑滢，柴志雷，周锋盛，丁炎，张雨，
申请(专利权)人：无锡市人民医院，
类型：发明
国别省市：