一种基于深度学习网络的甲状腺结节的诊断方法技术

本发明专利技术公开了一种基于深度学习网络的甲状腺结节的诊断方法，属于图像处理和人工智能辅助诊断疾病领域，包括如下步骤：搜集甲状腺患者甲状腺结节的超声原始图像和病理报告，构建甲状腺结节数据库；超声图像预处理；基于Xception‑JFT的Deeplab v3+方法对步骤二中预处理后的超声图像进行语义分割，形成语义分割结果图；基于深度学习网络进行甲状腺结节的良恶性判别；形成甲状腺结节诊断信息报告。本发明专利技术采用基于Xeption‑JFT的Deeplab v3+算法建立甲状腺超声图像分割网络模型，通过不断改进主干网络Xception达到最优的分割效果，能够在高准确率和高鲁棒性下，自动快速识别结节信息，自动提取图像特征进行准确分割以获得更好的诊断结果，为临床诊断提供客观参考。

【技术实现步骤摘要】
一种基于深度学习网络的甲状腺结节的诊断方法
本专利技术属于图像处理和人工智能辅助诊断疾病领域，具体涉及一种基于深度学习网络的甲状腺结节的诊断方法。
技术介绍
甲状腺结节，是甲状腺内的肿块，它发病原因复杂，患病基数大。据调查，全国有68％都是甲状腺结节的潜在患者，同时过度诊断治疗现象严重，逐渐成为威胁人类健康的疾病之一。目前，结节可以通过医生触诊，穿刺活检和超声图像的方式诊出。超声因其灵敏度高，无创伤，无辐射，实时性的特点成为诊断首选，对于超声无法定性的甲状腺结节，需要通过有创的FNA(细针穿刺活检)来确定，然而FNA检查不确定率也高达30％，大多数医生往往选择保守治疗进行不必要的外科手术切除术，致使患者终生服用药物，对患者造成无法挽回的伤害。据统计，甲状腺结节超声诊断误诊、漏诊率达34％，此外，由于甲状腺疾病门诊量巨大，每个超声医生平均每天需要诊断120～150个患者，并且超声诊断的整个过程长达20分钟，每天大约需要花费10小时专注阅片工作，工作量巨大。此外，目前全国超声专业医生缺口达20万，医生资源匮乏。由于超声图像噪声较多，且不同人群甲状腺大小、位置有显著差异，传统的图像处理方法往往难以取得较好的结果。深度学习算法是较为有效的处理医学图像工具，利用深度学习算法的甲状腺超声图像自动识别诊断的效果优于传统图像处理方法。利用深度学习算法进行图像分割和图像性质分类往往最重要的在于分割结果和分类结果的准确性，目前被应用在图像分割上的网络算法在池化或反池化过程中忽略有价值的信息从而生成分割边界不准确模糊的图像，这对医生判断结节的大小和具体位置存在较大的影响，因此分割和分类的准确性成为追求目标，为临床医生提供客观的参考报告，能够提高医生的诊断准确率并且缩短医生检查时间，大大降低了医护人员和患者的压力。
技术实现思路
本专利技术所要解决的技术问题是，提供一种基于深度学习网络的甲状腺结节的诊断方法，采用基于Xception-JFT的Deeplabv3+算法建立甲状腺超声图像分割网络模型，通过不断改进主干网络Xception达到最优的分割效果，能够在高准确率和高鲁棒性下，自动快速识别结节信息，自动提取图像特征进行准确分割以获得更好的诊断结果，为临床诊断提供客观参考。为解决上述技术问题，本专利技术采用的技术方案为：一种基于深度学习网络的甲状腺结节的诊断方法，包括如下步骤：步骤一：搜集甲状腺患者甲状腺结节的超声原始图像和病理报告，对照病理报告的结果标注勾画甲状腺结节外轮廓和甲状腺实质区域的外轮廓，获得超声勾画图像，构建甲状腺结节数据库；步骤二：对甲状腺结节的超声勾画图像进行预处理，形成预处理图像；步骤三：基于Xception-JFT的Deeplabv3+方法对预处理图像进行语义分割，形成语义分割结果图；步骤四：基于深度学习网络对语义分割结果图进行甲状腺结节的良恶性判别，输出分类概率结果；步骤五：根据步骤三中的语义分割结果图和步骤四中的分类概率结果，形成甲状腺结节诊断信息报告。所述步骤一中超声原始图像和病理报告预先进行脱敏处理。所述步骤二中的预处理包括如下步骤：步骤2.1：将超声勾画图像通过处理软件处理后生成包含像素点的标签图像；步骤2.2：转化标签图像为灰度图像；步骤2.3：消除灰度图像中与甲状腺结节无关部分，获得优化图像；步骤2.4：对优化图像进行直方图均衡化、小波去噪预处理和图像大小调整处理。步骤三包括如下步骤：步骤3.1：将预处理图像输入到以Xception为主干网络的Xception-JFT分割模型中；步骤3.2：通过3×3卷积层对分割模型进行特征提取和缩小，四倍采样后将特征矩阵输入Decoder部分；步骤3.3：输入特征矩阵到包含ASPP和池化的网络中，多尺度上提取特征信息，拼接提取的特征信息形成一个新的特征矩阵，新的特征矩阵与卷积核尺寸为1×1的卷积层相卷积；步骤3.4：输入Decoder部分进行放大四倍的上采样，上采样后的矩阵与主干网络先输出的特征矩阵拼接，并与卷积核尺寸为3×3的卷积层相卷积；步骤3.5：输出上采样语义分割结果图。所述特征矩阵包括甲状腺纹理、边缘、细节、形状和整体布局，甲状腺纹理为结节表面的纹路，边缘为结节边缘是否清晰，细节为结节细节图案，形状为结节区域是否规则，整体布局为结节所在位置和大小。步骤四包括如下步骤：步骤4.1：通过深度学习网络对于预处理后输入的语义分割结果图经过3×3的卷积核进行特征提取和缩小；步骤4.2：使用N组移动反向瓶颈卷积在不同尺度上进行特征提取；步骤4.3：使用全连接层整合特征并进行分类；步骤4.4：输出包含甲状腺结节良性概率和恶性概率的二维向量，完成甲状腺结节良恶性判断。步骤4.1深度学习网络模型选用EfficientNetB7。步骤五中诊断信息报告包括甲状腺结节大小、甲状腺结节形状图像和甲状腺结节良恶性判断结果。步骤一中勾画通过Anaconda2的labelme标注工具对甲状腺结节进行勾画标注并以josn格式保存数据，步骤二中预处理过程选用python和opencv工具。本专利技术与现有技术相比，具有如下有益效果：本专利技术所要解决的技术问题是，提供一种基于深度学习网络的甲状腺结节的诊断方法，采用基于Xception-JFT的Deeplabv3+算法建立甲状腺超声图像分割网络模型，通过不断改进主干网络Xception达到最优的分割效果，能够在高准确率和高鲁棒性下，自动快速识别结节信息，自动提取图像特征进行准确分割以获得更好的诊断结果，为临床诊断提供客观参考。(1)以病理报告为金标准，对收集的甲状腺病人的超声图像进行标注，完成对于多类型甲状腺结节的分割，建立超声甲状腺结节数据库。测试训练甲状腺超声图像分割和良恶性分类的网络模型以达到最优效果，不仅有利于甲状腺结节相关疾病的治疗，同时也有利于其他疾病判别模型的建立。(2)用过收集甲状腺病人超声影像数据建立甲状腺超声图像分割和良恶性分类的网络模型，可以提高对甲状腺结节识别的准确率，减少了患者因影像学检查不明确而进行穿刺检查和外科手术的必要性，降低患者的经济和心理负担，提高了患者的满意度。(3)通过搜集甲状腺病人超声影像建立的超声图像数据库，建立甲状腺病人超声影像数据建立甲状腺超声图像分割和良恶性分类的网络模型，有效的提高了甲状腺良恶性判断的准确度，降低甲状腺疾病的漏诊和误诊率。(4)通过建立甲状腺病人超声影像数据建立甲状腺超声图像分割和良恶性分类的网络模型，使得与真实的甲状腺疾病的超声图像达到高度的一致与有效。(5)超声图像易受斑点和回声影响、不同年资的医师拍摄手法更是有所差别，通过对甲状腺结节的良恶性判别模型的建立，在自动诊断前有效的减少了这些情况对结果的影响。(6)通过建立甲状腺结节良恶性判别模型能够辅助医生做甲状腺结节的诊断，帮助年资青的医生提高本文档来自技高网...

【技术保护点】
1.一种基于深度学习网络的甲状腺结节的诊断方法，其特征在于：包括如下步骤：/n步骤一：搜集甲状腺患者甲状腺结节的超声原始图像和病理报告，对照病理报告的结果标注勾画甲状腺结节外轮廓和甲状腺实质区域的外轮廓，获得超声勾画图像，构建甲状腺结节数据库；/n步骤二：对甲状腺结节的超声勾画图像进行预处理，形成预处理图像；/n步骤三：基于Xception-JFT的Deeplab v3+方法对预处理图像进行语义分割，形成语义分割结果图；/n步骤四：基于深度学习网络对语义分割结果图进行甲状腺结节的良恶性判别，输出分类概率结果；/n步骤五：根据步骤三中的语义分割结果图和步骤四中的分类概率结果，形成甲状腺结节诊断信息报告。/n

【技术特征摘要】
1.一种基于深度学习网络的甲状腺结节的诊断方法，其特征在于：包括如下步骤：
步骤一：搜集甲状腺患者甲状腺结节的超声原始图像和病理报告，对照病理报告的结果标注勾画甲状腺结节外轮廓和甲状腺实质区域的外轮廓，获得超声勾画图像，构建甲状腺结节数据库；
步骤二：对甲状腺结节的超声勾画图像进行预处理，形成预处理图像；
步骤三：基于Xception-JFT的Deeplabv3+方法对预处理图像进行语义分割，形成语义分割结果图；
步骤四：基于深度学习网络对语义分割结果图进行甲状腺结节的良恶性判别，输出分类概率结果；
步骤五：根据步骤三中的语义分割结果图和步骤四中的分类概率结果，形成甲状腺结节诊断信息报告。


2.根据权利要求1所述的一种基于深度学习网络的甲状腺结节的诊断方法，其特征在于：所述步骤一中超声原始图像和病理报告预先进行脱敏处理。


3.根据权利要求2所述的一种基于深度学习网络的甲状腺结节的诊断方法，其特征在于：所述步骤二中的预处理包括如下步骤：
步骤2.1：将超声勾画图像通过处理软件处理后生成包含像素点的标签图像以便网络进行图像特征的识别；
步骤2.2：转化标签图像为灰度图像；
步骤2.3：消除灰度图像中与甲状腺结节无关部分，获得优化图像；
步骤2.4：对优化图像进行直方图均衡化、小波去噪预处理和图像大小调整处理。


4.根据权利要求1所述的一种基于深度学习网络的甲状腺结节的诊断方法，其特征在于：步骤三包括如下步骤：
步骤3.1：将预处理图像输入到以Xception为主干网络的Xception-JFT分割模型中；
步骤3.2：通过3×3卷积层对分割模型进行特征提取和下采样，四倍采样后将特征矩阵输入Decoder部分；
步骤3.3：输入特征矩阵到包含ASPP和池化的网络中，多尺度上提取特征信息，...

【专利技术属性】
技术研发人员：唐璐，徐凯，张珂，赵英红，
申请(专利权)人：徐州医科大学，
类型：发明
国别省市：江苏;32