基于特征融合和迁移学习的甲状腺结节超声图像分类方法技术

本发明专利技术公开了基于特征融合和迁移学习的甲状腺结节超声图像分类方法，包括：采集甲状腺超声波影像进行预处理，提取出感兴趣区域并进行人工标记去除和降噪，并利用加权自适应伽马校正；进行图像增强，对图像增强后的样本数据集进行样本拓展，并利用拓展样本对预训练过的ResNet18卷积神经网络进行迁移学习微调；将自适应阈值LTP算子提取出的丰富纹理特征作为辅助输入，与超声图像通过多层卷积自动提取出的深层特征进行多尺度特征融合，共同对神经网络进行二次微调训练。本发明专利技术解决训练样本数量不足的问题，降低了模型的过拟合风险，还有效地将不同尺度的纹理特征和深层特征融合为联合特征参与网络训练，从而提升深层神经网络对甲状腺结节图像的分类效果。甲状腺结节图像的分类效果。甲状腺结节图像的分类效果。

【技术实现步骤摘要】
基于特征融合和迁移学习的甲状腺结节超声图像分类方法


[0001]本专利技术属于图像区域定位和性状识别
，具体应用于医院超声诊断识别技术，特别涉及基于特征融合和迁移学习的甲状腺结节超声图像分类方法。

技术介绍

[0002]甲状腺癌的发病率虽只占甲状腺结节的5％、全身肿瘤的1％，却是内分泌系统最常见的恶性肿瘤。近些年来，中国甲状腺癌发病率一直呈攀升趋势，且在年龄小于30岁的年轻女性人群中，甲状腺癌发病率也位居恶性肿瘤的第1位。在过去的20余年中，随着医疗影像学技术的发展，大量的甲状腺结节可以在超声图像中正确地检测出来。因为大部分结节为良性或惰性的，对于结节的良恶性准确判断可以极大地降低病人的医疗风险以及大量的由细针穿刺活检带来的昂贵医疗费用，并且有利于减小病人在就医检查时的心理压力。目前对于甲状腺结节性状的检查主要依靠对超声波图像分析完成，医生总结了甲状腺结节的一系列超声图像特性作为癌变征兆，包括低回声、边缘粗糙不规则、微钙化点、硬度高、结节实性和纵横比等。基于这些性质，超声诊断医师提出了一种专业的甲状腺图像报告及数据系统(TI
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于特征融合和迁移学习的甲状腺结节超声图像分类方法，其特征在于，所述方法包括以下步骤：(1)数据集预处理：采集甲状腺超声波影像作为原始图像数据集并进行预处理，首选从原始图像数据集提取出感兴趣区域并进行人工标记去除和降噪，并利用加权自适应伽马校正；(2)基于ResNet的迁移学习：将预处理后的图像数据进行图像增强，对图像增强后的样本数据集进行样本拓展，并利用拓展样本对预训练过的ResNet18卷积神经网络进行迁移学习微调；(3)融合多尺度特征的甲状腺结节分类：将自适应阈值LTP算子提取出的丰富纹理特征作为辅助输入，与超声图像通过多层卷积自动提取出的深层特征进行多尺度特征融合，共同对神经网络进行二次微调训练，再对图像进行分类。2.根据权利要求1所述的基于特征融合和迁移学习的甲状腺结节超声图像分类方法，其特征在于，所述步骤(1)中从原始图像数据集中良恶性结节病灶作为感兴趣区域(ROI)分离出来，具体步骤如下：1)根据甲状腺结节标记框位置得出标记框的最左上角坐标值和最右下角坐标值(x
i
,y
i
)、(x
j
,y
j
)；2)计算出标记框中心点坐标，记为(x
c
,y
c
)，其中x
c
为x
i
和x
j
的平均值，y
c
为y
i
和y
j
的平均值；3)计算出结节区域的长和宽，取最大值，即max(x
j
‑
x
i
,y
i
‑
y
j
)，记为w；4)基于左上角(x
c
–
w/2,y
c
+w/2)，右上角(x
c
+w/2,y
c
+w/2)，左下角(x
c
–
w/2,y
c
–
w/2)，右下角(x
c
+w/2,y
c
–
w/2)确定坐标区域截取结节子图；如果截取框超出原成像区域，则以邻近像素值填充。3.根据权利要求2所述的基于特征融合和迁移学习的甲状腺结节超声图像分类方法，其特征在于，所述步骤(1)中将人工标记去除和降噪，首先将良恶性结节病灶区域进行亮白色标记；再将图像中的人工标记去除并复原被遮挡的部分，具体步骤如下：1)计算出图像中所有非零区域并对其进行标签化式中，f为输入图像，g为通过迭代选择连通域峰值T后进行标签二值化输出的人工标记区域图像；2)在通过区域分割效果确定最佳阈值后，找到对应g中面积最大的区域从f中去除，得到疑似标记区域，式中，L
...

【专利技术属性】
技术研发人员：周爱云，徐盼，邱桃荣，付豪，
申请(专利权)人：南昌大学第一附属医院，
类型：发明
国别省市：