基于改进U-Net网络的甲状腺腺体和结节分割方法技术

本发明专利技术涉及一种基于改进U

【技术实现步骤摘要】
基于改进U
‑
Net网络的甲状腺腺体和结节分割方法


[0001]本专利技术属于图像处理和人工智能辅助诊断疾病领域，具体为一种基于改进U
‑
Net网络的甲状腺腺体和结节分割方法。

技术介绍

[0002]众所周知，早诊早治恶性的甲状腺结节，甲状腺癌的发病情况可得到显著改善或有效避免。超声由于其无辐射、非侵入性、实时性好等优点成为甲状腺检查的首选方法。然而，超声图像存在斑点和噪声，且不同人群甲状腺结节的大小、位置、形状差异较大，给医生诊断带来巨大的挑战。
[0003]勾画甲状腺腺体和结节的边界对做出准确的临床评估至关重要。目前临床上都是医生手工进行分割。这个过程非常耗时费力，且受医生诊断水平的影响。随着人工智能技术的飞速发展，各种基于深度学习的甲状腺腺体和结节方法被相继提出。虽然解决了一些问题，但是对于背景复杂、相似度高、形状大小各异的结节分割效果仍然不够理想。

技术实现思路

[0004]为克服高分辨率数据特征提取不足导致的甲状腺边缘和微小结节分割不准确，对大型和不规则目标的分割效果不理想以及手工分割繁琐和耗时的缺点，提出了一种基于改进U
‑
Net网络的甲状腺腺体和结节分割方法。具体实施步骤描述如下：步骤1、数据集搭建：由专业医生选取某医院a例患者的共计b幅甲状腺超声图像，对图像进行专业处理及筛选后，得到一个由d（d≤b）幅甲状腺超声图像构成的数据集S；S中的r（r<d）幅作为训练数据集S1，S中剩下的d
‑
r幅作为测试数据集S2；S中包含良性样本和恶性样本，良性样本包括炎症性结节、囊性结节和肿瘤结节等，恶性样本包括乳头状癌和滤泡癌等；步骤2、模型搭建：对U
‑
Net网络进行改进，具体是在U
‑
Net网络的编码器和解码器中引入ResNeSt模块、空洞空间池化金字塔（Atrous Spatial Pyramid Pooling，ASPP）和可变形卷积（Deformable Convolution，DC）v3，进行特征提取，建立一个变形金字塔分割注意残差网络（Deformable
‑
Pyramid Split Attention Residual U
‑
Net，DSRU
‑
Net）；步骤3、模型训练：利用S1中r幅甲状腺超声图像，采用损失函数和优化器对DSRU
‑
Net网络模型进行训练；在训练过程中，采用数据增强策略实时增强样本，数据增强策略包括增减亮度、增减收缩、水平镜像、随机角度旋转、随机裁剪和随机拉伸等；为评估模型输出和参数，结合加权交叉熵损失函数L
wce
和骰子损失函数L
dice
定义一个新的损失函数L
total
，并结合优化器更新模型参数，得到训练后的DSRU
‑
Net网络；L
wce
定义为：（1）其中，n为任意批次下的任一样本，N为批次尺寸，c为任一类别，C为类别数，nc为样
本n的类别，ntc为样本n的正确类别，w
ntc
为样本n的正确类别权重，x
nc
为样本n的类别对应的预测值，x
ntc
为样本n的正确类别对应的预测值，t为单次非冗余类别，T为非冗余类别总数，w
t
为批处理中非冗余类别权重，exp(
·
)为指数函数；L
dice
定义为： （2）其中，e为一个较小常量，通常取1，y
nc
表示样本n的类别真实值；L
total
定义为：L
total
=L
wce
+L
dice
ꢀꢀꢀꢀꢀꢀ
（3）；步骤4、甲状腺腺体和结节分割：利用训练后的DSRU
‑
Net网络，对S2中d
‑
r幅甲状腺超声图像中的甲状腺腺体和结节进行分割，得到分割结果R；步骤5、分割效果评价：利用特异性（Specificity，SP）、敏感性（Sensitivity ，SE）、精密度（Precision，PR）、准确性（Accuracy，ACC）、交并比（Intersection over Union，IoU）和骰子相似系数（Dice Similarity Coefficient，DSC）等评价指标，对R进行评价分析；它们分别定义为：
ꢀꢀꢀ
（4）
ꢀꢀꢀꢀ
（5）
ꢀꢀꢀꢀꢀꢀ
（6）
ꢀꢀꢀ
（7） （8） （9）其中，TP是真阳性的数量，TN是真阴性的数量，FP是假阳性的数量，FN是假阴性的数量。
[0005]进一步的，所述步骤2中，DSRU
‑
Net网络定义为：首先，为增强特征提取能力，在编码器和解码器中引入了具有良好特征提取倾向的ResNeSt模块，ResNeSt模块包括了从 GoogleNet 和 ResNeXt 继承的拆分变换合并结构，以及从 SENet 和 SKNet中得到灵感的通道注意力结构；其次，为提高不同尺度目标的分割能力，在编码器和解码器之间引入ASPP，提取多尺度特征；最后，为提高模型对特殊形状目标的适应性，在ASPP中引入了DC v3。
[0006]本专利技术的有益效果为：（1）U
‑
Net网络在甲状腺分割方面存在不足：一是由高分辨
率数据特征提取不足导致的边缘分割错误和微小结节的漏检误检；二是对大型和不规则目标的分割略有不足。因此，在U
‑
Net网络的编码器和解码器中引入ResNeSt模块、ASPP和DC v3，建立了一个DSRU
‑
Net网络；（2）为克服高分辨率数据特征提取不足导致的甲状腺边缘和微小结节分割不准确，对大型和不规则目标的分割效果不理想以及手工分割繁琐和耗时的缺点，提出了一种基于改进U
‑
Net网络的甲状腺腺体和结节分割方法。
[0007]附图说明：
[0008]图1：DSRU
‑
Net网络总体架构；
[0009]图2：ResNeSt模块结构；
[0010]图3：SRU
‑
Net总体架构；
[0011]图4：ASPP和DASPP的结构；
[0012]图5：甲状腺超声图像恶性样本；
[0013]图6：甲状腺超声图像恶性样本实验分割结果；
[0014]图7：甲状腺超声图像恶性样本正确分割结果；
[0015]图8：甲状腺超声图像良性样本；
[0016]图9：甲状腺超声图像良性样本实验分割结果；
[0017]图10：甲状腺超声图像良性样本正确分割结果；
[0018]具体实施方式：
[0019]下面将结合附图说明及具体实施方式对本专利技术作进一步的说明，但本专利技术的保护范围并不仅限于此。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进U
‑
Net网络的甲状腺腺体和结节分割方法，其特征在于，包括如下步骤：步骤1、数据集搭建：由专业医生选取某医院a例患者的共计b幅甲状腺超声图像，对图像进行专业处理及筛选后，得到一个由d（d≤b）幅甲状腺超声图像构成的数据集S；S中的r（r<d）幅作为训练数据集S1，S中剩下的d
‑
r幅作为测试数据集S2；S中包含良性样本和恶性样本，良性样本包括炎症性结节、囊性结节和肿瘤结节等，恶性样本包括乳头状癌和滤泡癌等；步骤2、模型搭建：对U
‑
Net网络进行改进，具体是在U
‑
Net网络的编码器和解码器中引入ResNeSt模块、空洞空间池化金字塔（Atrous Spatial Pyramid Pooling，ASPP）和可变形卷积（Deformable Convolution，DC）v3，进行特征提取，建立一个变形金字塔分割注意残差网络（Deformable
‑
Pyramid Split Attention Residual U
‑
Net，DSRU
‑
Net）；步骤3、模型训练：利用S1中r幅甲状腺超声图像，采用损失函数和优化器对DSRU
‑
Net网络模型进行训练；在训练过程中，采用数据增强策略实时增强样本，数据增强策略包括增减亮度、增减收缩、水平镜像、随机角度旋转、随机裁剪和随机拉伸等；为评估模型输出和参数，结合加权交叉熵损失函数L
wce
和骰子损失函数L
dice
定义一个新的损失函数L
total
，并结合优化器更新模型参数，得到训练后的DSRU
‑
Net网络；L
wce
定义为：（1）其中，n为任意批次下的任一样本，N为批次尺寸，c为任一类别，C为类别数，nc为样本n的类别，ntc为样本n的正确类别，w
ntc
为样本n的正确类别权重，x
nc
为样本n的类别对应的预测值，x
ntc
为样本n的正确类别对应的预测值，t为单次非...

【专利技术属性】
技术研发人员：郑天雷，杨娜，朱昌盛，关凤军，金戴鹏，赵卫国，耿诗，赵蕾，程德强，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：