一种基于多层级改进的甲状腺超声图像智能分割方法技术

本发明专利技术公开了一种基于多层级改进的甲状腺超声图像智能分割方法，所述基于甲状腺超声诊查图像，对传统经由单一深度学习算法获得粗分割结果进行优化调整，提出一种多层级的改进方法对甲状腺分割结果进行精确分割。所述多层级改进方法首先通过初步边界提取和边界修复得到较精确的甲状腺边界环形区域，进而提出一种超像素辅助分割算法，将边界环形区域及其对应的超像素图像一同送入算法学习，以在数据样本不足的情况下向算法引入更多有助于分割信息，得到辅助分割结果。本发明专利技术能在甲状腺超声图像不充足的情况下提升甲状腺分割在精度、形状、面积估计上的效果，在临床中提供更可靠的辅助信息，具有重要的医学价值。具有重要的医学价值。具有重要的医学价值。

【技术实现步骤摘要】
一种基于多层级改进的甲状腺超声图像智能分割方法


[0001]本专利技术涉及一种人体甲状腺超声图像分割方法，具体涉及一种带有多层级分割改进的甲状腺超声图像智能分割方法。

技术介绍

[0002]甲状腺是人体重要的内分泌腺体，可以影响人体的生长发育、身体代谢、心血管系统、神经系统等方面，与人体的健康息息相关。随着近年来国家在医疗卫生方面的投入持续提升，国民医疗水平不断提高，但医疗系统仍存在缺陷，甲状腺地方病仍广泛存在于中国内陆城市，包括地方性甲状腺肿、甲状腺结节、甲状腺炎等。医学影像超声检测技术，以其检测费用低、检测速度快、无辐射损伤等优点，已成为应对甲状腺检测的首要技术。因此，基于甲状腺超声图像进行医学图像分析，可以为诊断甲状腺提供有益于诊断的信息。对甲状腺超声图像进行目标分割是极为重要的，可以提供大量的测量、形状等信息，辅助医生分析甲状腺的病理，在临床诊断中有重要意义。
[0003]传统的甲状腺超声图像分割依赖于专业医师的手动分割，这不仅费时费力，而且还严重依赖于医师的影像学经验，可能存在医师经验欠缺、分割精确度不足的情况。随着机器学习的飞速发展，大量传统机器学习方法被考虑应用于进行图像分割，如分水岭算法、K均值聚类算法等。但在应对医学图像时，由于医学诊断任务往往对分割精度要求更高，且医学图像相较于环境图像更加复杂，所以通过传统机器算法难以得到较好的分割结果。进而，深度学习快速兴起，并被广泛用于计算机视觉等领域，其在医学图像分析领域的应用也被不断挖掘。但在应对甲状腺超声分割问题时，由于超声图像的清晰度相较于核磁图像、CT图像等清晰度较低，所以为甲状腺分割带来困难。此外，在甲状腺超声图像中存在的大量的非甲状腺区域和医学图像获取困难的情况，更是进一步加剧了深度学习在分割甲状腺超声图像中的难度。
[0004]所以，仅使用单一的机器学习方法和深度学习方法，都难以获取精确的甲状腺超声分割结果，无法在临床甲状腺诊断中为医生提供有效的辅助诊断信息。甲状腺超声图像中遇到的清晰度较低、大量非甲状腺区域、图像数据不充足的情况，都为基于超声图像精确分割甲状腺带来了消极影响。

技术实现思路

[0005]为了解决在数据不充足情况下基于超声图像的甲状腺分割精度低的问题，本专利技术提供了一种基于多层级改进的甲状腺超声图像智能分割方法。该方法基于甲状腺超声诊查图像，对传统经由单一深度学习算法获得粗分割结果进行优化调整，提出了一种多层级的改进方法，对甲状腺分割结果进行精确分割。所设计的多层级改进方法，首先通过初步边界提取和边界修复得到了较精确的甲状腺边界环形区域，来减少非甲状腺区域的干扰；进而提出一种超像素辅助分割算法，将边界环形区域及其对应的超像素图像一同送入算法学习，以在数据样本不足的情况下向算法引入更多有助于分割信息，得到辅助分割结果，提升
最终的甲状腺分割精度。本专利技术能在甲状腺超声图像不充足的情况下提升甲状腺分割在精度、形状、面积估计上的效果，在临床中提供更可靠的辅助信息，具有重要的医学价值。
[0006]本专利技术的目的是通过以下技术方案实现的：
[0007]一种基于多层级改进的甲状腺超声图像智能分割方法，包括如下步骤：
[0008]步骤一：加载获取N个甲状腺超声训练图像I
O
，然后对原始图像进行初始化获得初始化后图像I
*O
，同时将每个图像配以其对应的甲状腺分割标签L
O
，组成甲状腺粗分割的训练测试样本，进而使用甲状腺超声图像及标签训练一个U
‑
Net算法并基于M个甲状腺超声测试图像I
Ot
得到甲状腺粗分割结果S
Rt
；
[0009]步骤二：将步骤一中N个甲状腺超声训练图像I
O
相对平均的划分为由N1个图像I
Oa
组成的训练子集Ta和由N2个图像I
Ob
组成的训练子集Tb，并基于甲状腺分割标签L
O
提取甲状腺环形区域标签L
B
，使用训练子集Ta及其对应的环形区域标签L
Ba
训练一个U
‑
Net算法 U
B
(I
Oa
,L
Ba
)，进而分别基于Ta、Tb和M个甲状腺超声测试图像I
Ot
获得甲状腺边界环形区域初步分割输出O
Ba
、O
Bb
和O
Bt
，以及初步分割结果 S
Ba
、S
Bb
和S
Bt
；
[0010]步骤三：根据步骤二中S
Bt
存在的破损情况，基于O
Ba
分别构造出 N1个包含较小破损(破损处最大宽度小于3～4像素)的环形破损图像B
as
和N1个包含较大破损(破损处最小宽度大于5像素)的环形破损图像B
al
，进而使用O
Ba
、B
as
和B
al
并均配以环形标签L
Ba
训练一个 U
‑
Net算法U
Br
(O
ba
,B
as
,B
al
,L
Ba
)，以对O
Bb
和O
Bt
进行边缘修复，以得到修补的甲状腺边缘环形区域分割结果S
Brb
和S
Brt
；
[0011]步骤四：基于步骤二得到的初步分割结果S
Ba
和步骤三得到的修补的环形区域分割结果S
Brb
和S
Brt
，首先提取对应的甲状腺环形区域图像I
Ba
、I
Brb
和I
Brt
，并将I
Ba
和I
Brb
合记为I
Br
，进而利用简单线性聚类对提取的环形区域图像I
Br
和I
Brt
进行超像素分割，以得到环形区域超像素图像I
Spr
和I
Spt
，随后利用环形区域图像和环形区域超像素图像，并配以甲状腺分割标签L
O
对超像素辅助分割算法Super
‑
pixel U
‑
Net进行训练SpU
A
(I
Br
,I
Spr
,L
O
)，以基于测试样本获得甲状腺辅助分割结果S
At
，最终使用多层级辅助分割结果S
At
对粗分割结果S
Rt
进行改进，得到最终分割结果S
Pt
。
[0012]相比于现有技术，本专利技术具有如下优点：
[0013]1、本专利技术在多层级优化调整中采用甲状腺边缘初提取和边界修复来获取甲状腺边缘环形区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层级改进的甲状腺超声图像智能分割方法，其特征在于所述方法包括如下步骤：步骤一：加载获取N个甲状腺超声训练图像I
O
，然后对原始图像进行初始化获得I
*O
，同时将每个图像配以其对应的甲状腺分割标签L
O
，组成甲状腺粗分割的训练测试样本，进而使用甲状腺超声图像及标签训练一个U
‑
Net算法并基于M个甲状腺超声测试图像I
Ot
得到甲状腺粗分割结果S
Rt
；步骤二：将步骤一中N个甲状腺超声训练图像I
O
相对平均的划分为由N1个图像I
Oa
组成的训练子集Ta和由N2个图像I
Ob
组成的训练子集Tb，并基于甲状腺分割标签L
O
提取甲状腺环形区域标签L
B
，使用训练子集Ta及其对应的环形区域标签L
Ba
训练一个U
‑
Net算法U
B
(I
Oa
,L
Ba
)，进而分别基于Ta、Tb和M个甲状腺超声测试图像I
Ot
获得甲状腺边界环形区域初步分割输出O
Ba
、O
Bb
和O
Bt
，以及初步分割结果S
Ba
、S
Bb
和S
Bt
；步骤三：根据步骤二中S
Bt
存在的破损情况，基于O
Ba
分别构造出N1个包含较小破损的环形破损图像B
as
和N1个包含较大破损的环形破损图像B
al
，进而使用O
Ba
、B
as
和B
al
并均配以环形标签L
Ba
训练一个U
‑
Net算法U
Br
(O
ba
,B
as
,B
al
,L
Ba
)，以对O
Bb
和O
Bt
进行边缘修复，以得到修补的甲状腺边缘环形区域分割结果S
Brb
和S
Brt
；步骤四：基于步骤二得到的初步分割结果S
Ba
和步骤三得到的修补的环形区域分割结果S
Brb
和S
Brt
，首先提取对应的甲状腺环形区域图像I
Ba
、I
Brb
和I
Brt
，并将I
Ba
和I
Brb
合记为I
Br
，进而利用简单线性聚类对提取的环形区域图像I
Br
和I
Brt
进行超像素分割，以得到环形区域超像素图像I
Spr
和I
Spt
，随后利用环形区域图像和环形区域超像素图像，并配以甲状腺分割标签L
O
对超像素辅助分割算法Super
‑
pixelU
‑
Net进行训练SpU
A
(I
Br
,I
Spr
,L
O
)，以基于测试样本获得甲状腺辅助分割结果S
At
，最终使用多层级辅助分割结果S
At
对粗分割结果S
Rt
进行改进，得到最终分割结果S
Pt
。2.根据权利要求1所述的基于多层级改进的甲状腺超声图像智能分割方法，其特征在于所述步骤一的具体步骤如下：步骤一一、加载全部获取的用于训练的甲状腺超声训练图像其中O
*
代表对应任一原始甲状腺超声训练图像，共计N幅，进而按下式对加载的图像进行初始化：式中，s为初始化单位窗，I为加载图像的横向长度，J为加载图像的纵向长度，U为初始化后的横向长度，V为初始化后的纵向长度，p(*,*)为某一像素点；然后为每幅标签按相同顺序配以拉伸至相同大小的甲状腺分割标签以构成粗分割的训练数据
集；步骤一二、使用步骤一一构建好的粗分割训练数据集训练一个甲状腺分割算法U
‑
Net，在训练完成后获得甲状腺超声图像粗分割算法进而，基于测试图像其中Ot
*
代表对应任一原始甲状腺超声测试图像，共计M幅，在获取的甲状腺超声图像粗分割算法上获取甲状腺粗分割结果：3.根据权利要求1所述的基于多层级改进的甲状腺超声图像智能分割方法，其特征在于所述步骤二的具体步骤如下：步骤二一、对步骤一中使用的甲状腺超声训练图像I
O
相对平均的划分为两个训练子集Ta：和Tb：其中Oa
*
为对应任一训练子集Ta中的甲状腺超声训练图像，共计N1幅，Ob
*
为对应任一训练子集Tb中的甲状腺超声训练图像，共计N2幅；...

【专利技术属性】
技术研发人员：刘劼，金晶，王艳，
申请(专利权)人：哈尔滨工业大学人工智能研究院有限公司，
类型：发明
国别省市：