一种甲状腺SPECT图像分类方法技术

本发明专利技术公开了一种甲状腺SPECT图像分类方法，包括以下步骤：在甲状腺SPECT图像中提取人工特征；以甲状腺SPECT图像和人工特征作为输入，通过卷积神经网络对甲状腺SPECT图像分类模型进行训练，获得自动特征；将人工特征和自动特征合并输入分类器实现分类，获得分类结果；评估分类结果，合格后获得完成训练图像分类模型，进行甲状腺SPECT图像的分类。本发明专利技术将自动提取的深度特征与人工选择的特征相融合，提升了特征信息的丰富度和图像识别的效果；通过引入注意力机制，对模型提取的特征进行筛选，提升模型的特征提取能力，同时使模型训练更方便高效，实现了图像高准确率的自动分类。实现了图像高准确率的自动分类。实现了图像高准确率的自动分类。

【技术实现步骤摘要】
一种甲状腺SPECT图像分类方法


[0001]本专利技术涉及医学图像分类领域，特别是涉及一种甲状腺SPECT图像分类方法。

技术介绍

[0002]单光子发射计算机断层成像术(Single
‑
Photon Emission Computed Tomography,SPECT)是一种重要的核医学成像技术，对诊断甲状腺疾病具有十分重要的作用。SPECT将放射性同位素药物作为标记药物，病人通过摄入药物，使其到达需要成像的组织，由于药物的放射性衰变，该组织会向外发射γ光子，体外的二维相机将获得多个断层投影图像，断层投影图像经过重建获取最终图像。由于不同的标记药物在不同的组织间汇聚的浓度不同，可以体现出人体组织的活性强度，所以也被叫做功能性成像。和超声、CT等结构性成像不同，SPECT图像可以在人体组织结构发生异常前发现疾病，因而在实际的临床诊断中存在其独特的优点。
[0003]深度学习在基于医学图像辅助的诊断中具有非常重要的地位，常见的神经网络有卷积神经网络，循环神经网络。神经网络中每一层都能自动提取特征，而且每一层都可以在前一层的基础上提取特征，进一步提取更抽象特征，随着神经网络的加深，能提取到更深层的特征，传统机器学习人工提取的特征过程复杂且多为浅层特征。传统机器学习方法需要人工提取特征，这是一项庞大的工程且需要专业领域的知识，但深度学习能够自动地从原始图像中学习到关键特征。相较于传统机器学习，深度学习将特征提取和分类相统一，通常深度神经网络的最后一层就是分类器，能实现一个端到端的架构，更自动化，更有利调优。综上所述，深度学习相较于传统机器学习最大的两个区别在于自动提取特征和端到端的特征提取与分类统一。
[0004]目前采用深度学习方法进行自动甲状腺疾病分类，通常利用超声或者CT图像完成，已有方法效果并不好，这主要是由于SPECT图像内容单一，缺少超声或者CT图像中的甲状腺清晰的器官边缘等图像信息。对于SPECT图像目前还缺乏有效的方法实现图像自动分类。本专利技术提供一种SPECT图像分类方法，实现高准确率的自动分类。

技术实现思路

[0005]本专利技术的目的是提供一种甲状腺SPECT图像分类方法，以解决上述现有技术存在的问题。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]本专利技术提供一种甲状腺SPECT图像分类方法，包括以下步骤：
[0008]获取甲状腺SPECT图像，从所述甲状腺SPECT图像中提取人工特征；
[0009]以所述甲状腺SPECT图像和所述人工特征作为输入，通过卷积神经网络对甲状腺SPECT图像分类模型进行训练，获得自动特征；
[0010]将所述人工特征和自动特征合并输入分类器实现分类，获得分类结果；
[0011]评估所述分类结果，合格后获得完成训练的甲状腺SPECT图像分类模型，通过所述
甲状腺SPECT图像分类模型进行甲状腺SPECT图像的分类。
[0012]可选的，获取甲状腺SPECT图像中的人工特征之前，所述方法还包括：
[0013]将获取的若干张所述甲状腺SPECT图像的大小调整一致，并对每个像素进行归一化处理；
[0014]提取所述甲状腺SPECT图像中的感兴趣区域图像，其中，所述感兴趣区域图像为甲状腺部位。
[0015]可选的，获取甲状腺SPECT图像中的人工特征包括：
[0016]根据所述感兴趣区域图像，按照四个角度计算基于灰度共生矩阵的描述符，获得纹理特征，其中每个所述角度计算五个所述描述符；
[0017]根据所述感兴趣区域图像，计算Hu矩，获得形态学特征；
[0018]合并所述纹理特征和所述形态学特征，获得所述人工特征。
[0019]可选的，所述四个角度分别为：0
°
，45
°
，90
°
，135
°
。
[0020]可选的，五个所述描述符为：能量、对比度、熵、逆差矩以及相异性。
[0021]可选的，通过卷积神经网络对甲状腺SPECT图像分类模型进行训练的过程中，
[0022]卷积神经网络采用改进的SqueezeNet网络结构，基于所述改进的SqueezeNet网络结构对甲状腺SPECT图像分类模型进行训练，其中所述改进的SqueezeNet网络结构包括SE
‑
Fire模块。
[0023]可选的，所述获得自动特征的过程中包括：
[0024]通过所述SE
‑
Fire模块自动获取各个通道特征的权重，筛选特征，获得自动特征；
[0025]所述SE
‑
Fire模块分别在所述改进的SqueezeNet网络结构的第7层、第8层和第9层。
[0026]可选的，通过所述SE
‑
Fire模块自动获取各个通道特征的权重，筛选特征，获得自动特征的过程中包括：
[0027]所述SE
‑
Fire模块先对获取的特征进行降维压缩；
[0028]再通过权重和特征图对降维压缩的特征中的重要特征进行增强、对非重要特征进行抑制；
[0029]将处理完的特征的通道维度还原成降维压缩之前的维度并输出。
[0030]可选的，评估所述分类结果的过程中包括：
[0031]将平均准确度、平均精确率、平均召回率和平均F1分数作为评估指标；
[0032]基于所述评估指标对所述分类结果进行评估；
[0033]评估结果大于预设值时，评估合格并结束评估。
[0034]本专利技术公开了以下技术效果：
[0035]本专利技术将卷积神经网络自动提取的深度特征与人工选择的特征相融合，提升了特征信息的丰富度和图像识别的效果；本专利技术在SqueezeNet的基础上进行改进，通过引入注意力机制，对模型提取的特征进行筛选，提升模型的特征提取能力，同时使模型训练更方便高效。使用卷积神经网络训练模型，实现了图像高准确率的自动分类。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术实施例中的Fire模块基本结构图；
[0038]图2为本专利技术实施例中的SqueezeNet结构图；
[0039]图3为本专利技术实施例中的SE块结构图；
[0040]图4为本专利技术实施例中的SE
‑
Fire模块结构图；
[0041]图5为本专利技术实施例中的改进SqueezeNet结构图；
[0042]图6为本专利技术实施例中的甲状腺SPECT图像分类方法流程图。
具体实施方式
[0043]现详细说明本专利技术的多种示例性实施方式，该详细说明不应认为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种甲状腺SPECT图像分类方法，其特征在于，包括以下步骤：获取甲状腺SPECT图像，从所述甲状腺SPECT图像中提取人工特征；以所述甲状腺SPECT图像和所述人工特征作为输入，通过卷积神经网络对甲状腺SPECT图像分类模型进行训练，获得自动特征；将所述人工特征和自动特征合并输入分类器实现分类，获得分类结果；评估所述分类结果，合格后获得完成训练的甲状腺SPECT图像分类模型，通过所述甲状腺SPECT图像分类模型进行甲状腺SPECT图像的分类。2.根据权利要求1所述方法，其特征在于，获取甲状腺SPECT图像中的人工特征之前，所述方法还包括：将获取的若干张所述甲状腺SPECT图像的大小调整一致，并对每个像素进行归一化处理；提取所述甲状腺SPECT图像中的感兴趣区域图像，其中，所述感兴趣区域图像为甲状腺部位。3.根据权利要求2所述的方法，其特征在于，获取甲状腺SPECT图像中的人工特征包括：根据所述感兴趣区域图像，按照四个角度计算基于灰度共生矩阵的描述符，获得纹理特征，其中每个所述角度计算五个所述描述符；根据所述感兴趣区域图像，计算Hu矩，获得形态学特征；合并所述纹理特征和所述形态学特征，获得所述人工特征。4.根据权利要求3所述的方法，其特征在于，所述四个角度分别为：0
°
，45
°
，90
°
，135
°
。5.根据权利要求3所述的方法，其特征在于，五个所述描...

【专利技术属性】
技术研发人员：马立勇，王联芳，吴思平，张湧，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：