一种多尺度多区域的甲状腺结节预测方法技术

本发明专利技术公开了一种多尺度多区域的甲状腺结节预测方法，属于医学图像处理和深度学习技术领域；包括：准备训练数据集；构建特征提取模型；构建特征重构模型；确定预测模型；本发明专利技术采用输入不同尺度不同区域的超声图像，将高低频模块和多尺度特征提取模块相结合，具体而言，在网络训练过程中将特征图按通道方向分为高低频特征，对甲状腺结节进行特征提取，随后进行特征重构，得到判别性特征；该网络所得的甲状腺结节特征提取更全面，良恶性预测结果准确率更高。率更高。率更高。

【技术实现步骤摘要】
一种多尺度多区域的甲状腺结节预测方法


[0001]本专利技术属于医学图像处理和深度学习
，具体涉及一种多尺度多区域的甲状腺结节预测方法。

技术介绍

[0002]甲状腺结节的无创诊断主要依赖于影像学检查，其中超声检查具有经济性强、无害、无创、操作简单且准确率较高的优势。然而，传统的超声检查受操作人员专业性、医疗环境水平等因素影响，超声诊断准确率有限。随着计算机与影像学技术的不断融合与发展，深度学习方法凭借其低消耗、高效率、高同质性、高准确性等优势，被广泛地应用于临床疾病的影像学辅助诊断中。在深度学习技术的辅助下，不同医生可以对超声图像定量地分析，形成统一的诊断结果报告，减少医生水平、成像设备差异等外部因素对结果的影响。然而，在甲状腺结节超声图像中结节特征提取不够全面是目前造成分类结果准确率较低的主要问题。
[0003]中国专利公开号为“CN201911271119”，名称为“一种基于多尺度特征融合的甲状腺结节分类方法”。该方法主要进行清洗数据，对数据集作着重处理，同时基于残差网络添加高分辨率通道，并将残差模块替换为多尺度信息融合模块。该方法仅输入单一像素图像，且仅有高分辨率通道，特征提取不够全面。

技术实现思路

[0004]为了解决目前针对甲状腺结节良恶性预测结果准确率低，在特征提取过程中忽略结节整体特征的问题，本专利技术提出了一种多尺度多区域的甲状腺结节预测方法；本专利技术输入不同尺度不同区域的超声图像，将高低频模块和多尺度特征提取模块相结合，具体而言，在网络训练过程中将特征图按通道方向分为高低频特征，对甲状腺结节进行特征提取，随后进行特征重构，得到判别性特征；该网络所得的甲状腺结节特征提取更全面，良恶性预测结果准确率更高。
[0005]本专利技术通过如下技术方案实现：
[0006]一种多尺度多区域的甲状腺结节预测方法，具体步骤如下：
[0007]步骤1：准备训练数据集：收集甲状腺患者的甲状腺超声图像集，并进行图像预处理，构建训练数据集；
[0008]步骤2：构建特征提取模型：所述特征提取模型包括高低频特征提取模块及多尺度特征提取模块；将不同尺度、不同区域的甲状腺结节图像输入到高低频特征提取模块，根据结节轮廓、结节形状和结节边缘三个方面进行特征提取，将输出结果作为多尺度特征提取模块的输入，进行进一步地特征提取；
[0009]步骤3：构建特征重构模型：特征重构模型对步骤2得到的多尺度特征提取结果进行特征重构，优化网络模型，提高分类准确率；
[0010]步骤4：确定预测模型：使用训练集对网络模型进行训练，训练次数达到预设阈值
后使用测试集对训练后的模型进行测试，当网络模型的准确率稳定在某个既定范围时，即认为网络模型训练完成，保存网络模型的参数；网络训练完成后，固定网络模型参数，确定该网络模型为最终的结节预测模型；最后基于训练完成的网络模型，预测甲状腺结节的类型。
[0011]进一步地，所述步骤1中，所述图像集是指在医院进行甲状腺超声检查并通过穿刺病理证实了良恶性的甲状腺结节超声图像；所述图像预处理包括截除无效信息、统一尺寸、图像归一化及超声对比度增强，并将训练数据集按照7：3的比例划分为训练集和测试集。
[0012]进一步地，所述步骤2中，所述高低频特征提取模块包括高频模块和低频模块，其中，所述高频模块用于对数据进行卷积及池化操作，低频模块用于对数据进行平均池化及上采样操作；所述多尺度特征提取模块包括四个不同的卷积块及一个短路机制。
[0013]进一步地，所述四个不同的卷积块分别为一个卷积层、两个卷积层、三个卷积层和四个卷积层。
[0014]进一步地，所述步骤3中，所述特征重构模型包括三个跳跃模块和一个卷积层；其中，每个跳跃模块包括四个卷积层、四个标准化操作层和四个激活函数层。
[0015]与现有技术相比，本专利技术的优点如下：
[0016]1.本专利技术采取低频通道和高频通道同时提取特征的方法，更全面地提取超声图像的深层特征和浅层特征，有效地提高预测准确率，能够更好地在临床医学上辅助医生诊断。
[0017]2.本专利技术的特征提取部分输入多尺度的甲状腺结节图，从不同尺度不同区域进行特征提取，能够更全面地描述结节情况，提高预测准确率。
[0018]3.本专利技术的特征重构部分采用跳跃连接结构，并添加一个卷积层，能够有效地增加信息流，学习图像判别性特征，避免堆积卷积层引起地重要信息丢失问题，提高预测准确性。
附图说明
[0019]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0020]图1为本专利技术一种多尺度多区域的甲状腺结节预测方法的流程图；
[0021]图2为本专利技术一种多尺度多区域的甲状腺结节预测方法的网络结构图；
[0022]图3为本专利技术所述的高低频特征提取模块的结构图；
[0023]图4为本专利技术所述的多尺度特征提取模块的结构图；
[0024]图5为本专利技术所述的特征重构部分的结构图；
[0025]图6为本专利技术所述的跳跃模块的结构图。
具体实施方式
[0026]为清楚、完整地描述本专利技术所述技术方案及其具体工作过程，结合说明书附图，本专利技术的具体实施方式如下：
[0027]实施例1
[0028]如图1所示，为本实施例的一种多尺度多区域的甲状腺结节预测方法的流程示意
图，该方法具体包括如下步骤：
[0029]步骤1，准备训练数据集：对医院提供的甲状腺超声图像集进行图像预处理，构建训练数据集。其中，图像集是指在医院进行甲状腺超声检查并通过穿刺病理证实了良恶性的甲状腺结节超声图像，图像预处理包括截除无效信息统一尺寸，图像归一化和超声对比度增强，训练数据按照7：3的比例划分为训练集和测试集。
[0030]步骤2，构建特征提取模型：特征提取模型包括高低频特征提取模块和多尺度特征提取模块。将不同尺度不同区域的甲状腺结节图输入到高低频特征提取模块，根据结节轮廓、结节形状和结节边缘三个方面进行特征提取，将输出结果作为多尺度特征提取模块的输入，进行进一步的特征提取；其中，高低频特征提取模块包括高频模块和低频模块，其中高频模块包括卷积操作和池化操作，低频模块包括平均池化操作、上采样操作和卷积操作；多尺度特征提取模块包括四个卷积块和一个短路机制，其中四个卷积块分别包含一个卷积层、两个卷积层、三个卷积层和四个卷积层。
[0031]步骤3，构建特征重构模型：特征重构部分模型对多尺度特征提取结果进行特征重构，优化网络模型，提高分类准确率；其中，特征重构模型包括三个跳跃模块和一个卷积层；其中，每个跳跃模块包括四个卷积层、四个标准化操作层和四个激活函数层。
[0032]步骤4，确定预测模型：使用训练集对网络模型进行训练，训练次数达到预设阈值后使用测试集对训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度多区域的甲状腺结节预测方法，其特征在于，具体步骤如下：步骤1：准备训练数据集：收集甲状腺患者的甲状腺超声图像集，并进行图像预处理，构建训练数据集；步骤2：构建特征提取模型：所述特征提取模型包括高低频特征提取模块及多尺度特征提取模块；将不同尺度、不同区域的甲状腺结节图像输入到高低频特征提取模块，根据结节轮廓、结节形状和结节边缘三个方面进行特征提取，将输出结果作为多尺度特征提取模块的输入，进行进一步地特征提取；步骤3：构建特征重构模型：特征重构模型对步骤2得到的多尺度特征提取结果进行特征重构，优化网络模型，提高分类准确率；步骤4：确定预测模型：使用训练集对网络模型进行训练，训练次数达到预设阈值后使用测试集对训练后的模型进行测试，当网络模型的准确率稳定在某个既定范围时，即认为网络模型训练完成，保存网络模型的参数；网络训练完成后，固定网络模型参数，确定该网络模型为最终的结节预测模型；最后基于训练完成的网络模型，预测甲状腺结节的类型。2.如权利要求1所述的一种多尺度多区域的甲...

【专利技术属性】
技术研发人员：于林韬，曲朔欧，杨絮，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：