本发明专利技术公开了一种甲状腺结节超声图像的分割方法、装置及系统。该分割装置包括数据获取单元、模型训练单元以及分割提取单元。该分割系统包括图像分割模块以及数据存储模块。通过对在预设的语义分割网络Unet的基础上，引入预设的分层级联多头自注意力模块而获得的预设的第一视觉分割模型进行训练评估以获得第二视觉分割模型，再通过第二视觉分割模型对待分割的超声图像进行分割，从而获得甲状腺结节超声图像分割结果图，该分割方法、装置及系统提升了对于甲状腺结节图像的分割的精确性。提升了对于甲状腺结节图像的分割的精确性。提升了对于甲状腺结节图像的分割的精确性。
【技术实现步骤摘要】
一种甲状腺结节超声图像的分割方法、装置及系统
[0001]本专利技术涉及甲状腺结节超声图像的分割领域，涉及一种甲状腺结节超声图像的分割方法、装置及系统。
技术介绍
[0002]甲状腺结节是人体重要的内分泌器官,位于甲状腺软骨下方的颈部前部,分泌甲状腺激素来调节人体的新陈代谢。根据流行病学研究,可觉察的甲状腺结节出现在4％
‑
7％的人群中,其中边界不规则的低回声结节更容易发展成为恶性结节。甲状腺恶性结节的发生率为0.1％
‑
0.2％。甲状腺结节的形状和边界是区分良性和恶性结节的关键特征。图像分割是对图片中的每个像素点进行分类,进行准确的图像分割一直以来是个难题，特别是在医学图像分割领域。准确的甲状腺结节分割是区分良性和恶性结节的基础。因此实现较为准确的甲状腺结节超声图像分割对于甲状腺疾病诊断是至关重要的。
[0003]在现有技术中,甲状腺结节超声图像的分割方法主要分为基于轮廓和形状的方法、基于区域的方法、基于深度学习的方法以及多技术混合使用的方法。其中，在基于深度学习的方法上,多数方法采用了基于全卷积神经网络的技术(例如Unet网络)来实现图像中结节的自动分割。
[0004]但是，现有技术仍存在如下缺陷：现有技术中的网络模型往往只考虑了甲状腺结节超声图像的局部信息，从而导致对于甲状腺结节图像的分割的精确性较低。
[0005]因此，当前需要一种甲状腺结节超声图像的分割方法、装置及系统，从而克服现有技术中存在的上述缺陷。
技术实现思路
[0006]针对现存的上述技术问题，本专利技术的目的在于提供一种甲状腺结节超声图像的分割方法、装置及系统，从而提升对于甲状腺结节图像的分割的精确性。
[0007]本专利技术提供了一种甲状腺结节超声图像的分割方法，所述分割方法包括：获取预设的模型训练数据组以及待分割的超声图像数据组；根据所述模型训练数据组，对预设的第一视觉分割模型进行训练评估，从而获取第二视觉分割模型；所述第一视觉分割模型为通过在预设的语义分割网络Unet的基础上，引入预设的分层级联多头自注意力模块而获得；根据所述第二视觉分割模型，对所述超声图像数据组进行分割提取，从而获得甲状腺结节超声图像数据组。
[0008]在一个实施例中，在获取预设的模型训练数据组以及待分割的超声图像数据组，所述分割方法还包括：将预设的语义分割网络Unet的下采样方式替换为二分支下采样方式，从而获得第一改进模型；在所述第一改进模型的第三个下采样阶段、第四个下采样阶段、底部阶段以及相应的上采样阶段引入预设的分层级联多头自注意力模块，从而获得第一视觉分割模型。
[0009]在一个实施例中，根据所述模型训练数据组，对预设的第一视觉分割模型进行训
练评估，从而获取第二视觉分割模型，具体包括：根据预设的数据清洗方法，对所述模型训练数据组中的数据进行数据清洗，从而获得第一训练数据组；根据预设的裁剪均衡方法，对所述第一训练数据组中的数据进行裁剪和均衡化，从而获得第二训练数据组；以预设的比例，将所述第二训练数据组划分为训练集、验证集以及测试集；将所述训练集输入预设的第一视觉分割模型以进行模型训练，从而获得第一训练模型；根据所述验证集，对所述第一训练模型进行参数调整，从而获得第二训练模型；将所述第二训练模型作为第二视觉分割模型，并根据所述测试集以及预设的模型评估方法，对所述第二视觉分割模型进行评估，从而获得对应的评估结果。
[0010]在一个实施例中，在根据所述第二视觉分割模型，对所述超声图像数据组进行分割提取，从而获得甲状腺结节超声图像数据组之后，还包括：根据所述甲状腺结节超声图像数据组生成分割分析报告，并将所述分割分析报告发送给用户。
[0011]本专利技术还提供了一种甲状腺结节超声图像的分割装置，所述分割装置包括数据获取单元、模型训练单元以及分割提取单元，所述数据获取单元用于获取预设的模型训练数据组以及待分割的超声图像数据组；所述模型训练单元用于根据所述模型训练数据组，对预设的第一视觉分割模型进行训练评估，从而获取第二视觉分割模型；所述第一视觉分割模型为通过在预设的语义分割网络Unet的基础上，引入预设的分层级联多头自注意力模块而获得；所述分割提取单元用于根据所述第二视觉分割模型，对所述超声图像数据组进行分割提取，从而获得甲状腺结节超声图像数据组。
[0012]在一个实施例中，所述分割装置还包括模型获取单元，所述模型获取单元用于：将预设的语义分割网络Unet的下采样方式替换为二分支下采样方式，从而获得第一改进模型；在所述第一改进模型的第三个下采样阶段、第四个下采样阶段、底部阶段以及相应的上采样阶段引入预设的分层级联多头自注意力模块，从而获得第一视觉分割模型。
[0013]在一个实施例中，所述分割装置还包括分析报告单元，所述分析报告单元用于根据所述甲状腺结节超声图像数据组生成分割分析报告，并将所述分割分析报告发送给用户。
[0014]在一个实施例中，所述模型训练单元具体用于：根据预设的数据清洗方法，对所述模型训练数据组中的数据进行数据清洗，从而获得第一训练数据组；根据预设的裁剪均衡方法，对所述第一训练数据组中的数据进行裁剪和均衡化，从而获得第二训练数据组；以预设的比例，将所述第二训练数据组划分为训练集、验证集以及测试集；将所述训练集输入预设的第一视觉分割模型以进行模型训练，从而获得第一训练模型；根据所述验证集，对所述第一训练模型进行参数调整，从而获得第二训练模型；将所述第二训练模型作为第二视觉分割模型，并根据所述测试集以及预设的模型评估方法，对所述第二视觉分割模型进行评估，从而获得对应的评估结果。
[0015]本专利技术还提供了一种甲状腺结节超声图像的分割系统，所述分割系统包括图像分割模块以及数据存储模块，所述图像分割模块与所述数据存储模块通信连接，其中，所述图像分割模块用于执行如前所述的甲状腺结节超声图像的分割方法，所述数据存储模块用于存储所有数据。
[0016]在一个实施例中，所述分割系统还包括用户交互模块，所述用户交互模块分别与所述图像分割模块以及数据存储模块通信连接，所述用户交互模块包括可触摸/不可触摸
显示屏、输入键盘、虚拟键盘、麦克风或扬声器。
[0017]相比于现有技术，本专利技术实施例具有如下有益效果：
[0018]本专利技术提供了一种甲状腺结节超声图像的分割方法、装置及系统，通过对在预设的语义分割网络Unet的基础上，引入预设的分层级联多头自注意力模块以及修改原来的池化层下采样为双分支下采样方式而获得的预设的第一视觉分割模型进行训练评估以获得第二视觉分割模型，再通过第二视觉分割模型对待分割的超声图像进行分割，从而获得甲状腺结节超声图像，该分割方法、装置及系统提升了对于甲状腺结节图像的分割的精确性。
[0019]进一步地，本专利技术提供的一种甲状腺结节超声图像的分割方法、装置及系统还在对预设的语义分割网络Unet改进以获取第一视觉分割模型时，通过将预设的语义分割网络Unet的下采样方式替换为二分支下采样方式，从而进一步提升本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种甲状腺结节超声图像的分割方法，其特征在于，所述分割方法包括：获取预设的模型训练数据组以及待分割的超声图像数据组；根据所述模型训练数据组，对预设的第一视觉分割模型进行训练评估，从而获取第二视觉分割模型；所述第一视觉分割模型为通过在预设的语义分割网络Unet的基础上，引入预设的分层级联多头自注意力模块而获得；根据所述第二视觉分割模型，对所述超声图像数据组进行分割提取，从而获得甲状腺结节超声图像数据组。2.根据权利要求1所述的甲状腺结节超声图像的分割方法，其特征在于，在获取预设的模型训练数据组以及待分割的超声图像数据组之前，所述分割方法还包括：将预设的语义分割网络Unet的下采样方式替换为二分支下采样方式，从而获得第一改进模型；在所述第一改进模型的第三个下采样阶段、第四个下采样阶段、底部阶段以及相应的上采样阶段引入预设的分层级联多头自注意力模块，从而获得第一视觉分割模型。3.根据权利要求2所述的甲状腺结节超声图像的分割方法，其特征在于，根据所述模型训练数据组，对预设的第一视觉分割模型进行训练评估，从而获取第二视觉分割模型，具体包括：根据预设的数据清洗方法，对所述模型训练数据组中的数据进行数据清洗，从而获得第一训练数据组；根据预设的裁剪均衡方法，对所述第一训练数据组中的数据进行裁剪和均衡化，从而获得第二训练数据组；以预设的比例，将所述第二训练数据组划分为训练集、验证集以及测试集；将所述训练集输入预设的第一视觉分割模型以进行模型训练，从而获得第一训练模型；根据所述验证集，对所述第一训练模型进行参数调整，从而获得第二训练模型；将所述第二训练模型作为第二视觉分割模型，并根据所述测试集以及预设的模型评估方法，对所述第二视觉分割模型进行评估，从而获得对应的评估结果。4.根据权利要求3所述的甲状腺结节超声图像的分割方法，其特征在于，在根据所述第二视觉分割模型，对所述超声图像数据组进行分割提取，从而获得甲状腺结节超声图像数据组之后，还包括：根据所述甲状腺结节超声图像数据组生成分割分析报告，并将所述分割分析报告发送给用户。5.一种甲状腺结节超声图像的分割装置，其特征在于，所述分割装置包括数据获取单元、模型训练单元以及分割提取单元，所述数据获取单元用于获取预设的模型训练数据组以及待分割的超声图像数据组；所述模型训练单元用于根据所述模型训练数据组，对预设的第一视觉分割模型进行训...
【专利技术属性】
技术研发人员：孙俊杰，林晓明，王爽，王洋，
申请(专利权)人：广东顺德工业设计研究院广东顺德创新设计研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。