一种基于深度学习的腺瘤和腺癌超声影像分类系统及方法技术方案

本发明专利技术提供一种基于深度学习的腺瘤和腺癌超声影像分类系统及方法，包括：多尺度图像处理模块，用于对包含目标腺体的超声影像数据的图像帧进行多尺度变换和增强处理，得到多个不同尺度的第一图像；特征提取模块，连接多尺度图像处理模块，用于对多个不同尺度的第一图像分别进行特征提取，得到每一第一图像对应的特征向量；分类模块，连接特征提取模块，用于根据多个不同尺度的第一图像对应的特征向量进行分类，得到对应于每一尺度第一图像的分类结果，并对所有尺度第一图像的分类结果进行仲裁，得到最终分类结果。有益效果：本发明专利技术基于深度学习实现腺瘤和腺癌超声影像区分，分类准确率高，为临床患者选择最佳手术方式和避免过度治疗提供依据。治疗提供依据。治疗提供依据。

【技术实现步骤摘要】
一种基于深度学习的腺瘤和腺癌超声影像分类系统及方法


[0001]本专利技术涉及深度学习
，尤其涉及一种基于深度学习的腺瘤和腺癌超声影像分类系统及方法。

技术介绍

[0002]甲状腺滤泡性肿瘤主要分为滤泡性甲状腺腺瘤(follicular thyroid adenoma，FTA)和滤泡性甲状腺癌(follicular thyroid carcinoma，FTC)。FTC是第二常见的分化型甲状腺癌，约占所有甲状腺癌的10％
‑
20％。主要以血源性扩散方式进行远处转移，肺和骨是最常见的转移部位，与甲状腺乳头状癌(papillary thyroid carcinoma，PTC)相比，FTC的发病率较低，但远处转移率和病死率较高。
[0003]目前，甲状腺滤泡性肿瘤的主要诊断方法包括常规超声、细针穿刺细胞学(FNAC)、诊断性手术切除、CT和MRI。由于FTA与FTC的细胞学特征非常相似，而FNAC常受穿刺部位的限制，难以做出病理学诊断。常规超声检查具有无创、无辐射、多角度、低成本等优点。与CT、MRI等医学影像学方法相比，它是临床上最常用的甲状腺疾病检查方法。但是，FTA和FTC在超声图像上有很多重叠，很难根据大小来区分，结节的形状、回声、晕圈、钙化、血流等相关信息。虽然具有标准的临床甲状腺影像数据报告系统(thyroid imaging reporting and data system，TI
‑
RADS)，但不同经验和技能的超声医生对超声图像具有一定的主观性，难免造成误诊或漏诊。美国甲状腺协会的指南指出，诊断性手术切除是滤泡性肿瘤或疑似肿瘤长期确立的管理标准，但也可能导致部分腺瘤患者进行不必要的甲状腺叶切除术，造成过度治疗。因此，术前有必要区分FTA和FTC，为临床患者选择最佳手术方式和避免过度治疗提供依据。
[0004]由于FTA与FTC的细胞学特征的不确定性，有时候FTC和FTA之间的区别可能非常微小，即使在细胞学特征上也难以区分它们；以及其在超声影像上的形态上也非常相似，其大小、形状、边缘等特征可能都很相似，仅仅通过超声影像难以确定它们的类型。因此，目前FTC和FTA在超声影像上的准确诊断主要还是需要依靠经验丰富的医师和病理学家的综合判断，效率低，且对经验要求极高，容易出现误判、漏判情况。
[0005]人工智能作为一种创新工具发展迅速，广泛应用于医学各个器官领域。与传统的超声诊断方法相比，人工智能可以利用一些计算机算法自动提取肉眼无法识别或超声医师无法用语言表达的图像特征。这些图像特征可以转化为可靠的数据信息，能够反映潜在的病理生理和诊断，提供与疾病诊断和预后相关的信息。但目前关于甲状腺滤泡性肿瘤良恶性鉴别的研究相对较少。
[0006]现有技术中，使用深度学习方法识别甲状腺滤泡性肿瘤的超声图像，通过利用卷积神经网络(CNN)方法通过图像选择子采样和甲状腺滤泡性肿瘤边界提供的数据集检测甲状腺滤泡性肿瘤边界区域反应的一些形态学特征，现行方法区分FTA与FTC超声影像的准确率较低。

技术实现思路

[0007]为了解决以上技术问题，本专利技术提供了一种基于深度学习的腺瘤和腺癌超声影像分类系统及方法。
[0008]本专利技术所解决的技术问题可以采用以下技术方案实现：
[0009]一种基于深度学习的腺瘤和腺癌超声影像分类系统，包括：
[0010]多尺度图像处理模块，用于对包含目标腺体的超声影像数据的图像帧进行多尺度变换和增强处理，得到多个不同尺度的第一图像；
[0011]特征提取模块，连接多尺度图像处理模块，用于对多个不同尺度的第一图像分别进行特征提取，得到每一第一图像对应的特征向量；
[0012]分类模块，连接特征提取模块，用于根据多个不同尺度的第一图像对应的特征向量进行分类，得到对应于每一尺度第一图像的分类结果，并对所有尺度第一图像的分类结果进行仲裁，得到最终分类结果。
[0013]优选地，多尺度图像处理模块包括：
[0014]多个图像拉伸增强单元，每一图像拉伸增强单元分别用于对超声影像数据的图像帧分解得到的不同尺度的特征图像进行增强处理，得到不同尺度的第一图像。
[0015]优选地，每一图像拉伸增强单元分别包括：
[0016]高斯滤波子单元，用于对特征图像进行高斯滤波处理，得到高斯图像；
[0017]第一池化子单元，连接高斯滤波子单元，用于对高斯图像进行平均下采样处理，得到第一采样图像；
[0018]差分处理子单元，连接高斯滤波子单元，用于对特征图像和高斯图像进行取反处理，得到差分图像；
[0019]第二池化子单元，连接差分处理子单元，用于对差分图像进行绝对值的最大值下采样处理，得到第二采样图像；
[0020]增强子单元，分别连接第一池化子单元和第二池化子单元，用于对第一采样图像和第二采样图像进行相加处理，得到对应尺度的第一图像。
[0021]优选地，特征提取模块包括：多个残差块，多个残差块采用级联连接，用于向下池化时采用相加的方式融合不同尺度第一图像的特征，得到每一尺度第一图像对应的特征向量，并将每一尺度第一图像对应的特征向量分别输入至分类模块中。
[0022]优选地，分类模块包括：
[0023]多个分类单元，用于分别接收不同尺度的第一图像对应的特征向量，并根据接收得到的特征向量进行分类，得到对应于每一尺度第一图像的分类结果；
[0024]仲裁单元，分别连接多个分类单元，用于对所有分类单元输出的分类结果进行仲裁，得到最终分类结果。
[0025]优选地，每一分类单元包括：依次串联连接的压缩和激励网络、扁平化层、第一全连接层、第一激活函数、第二全连接层、第二激活函数。
[0026]优选地，第一激活函数为Relu激活函数；
[0027]第二激光函数为Sigmoid激活函数。
[0028]优选地，仲裁单元包括：特征联合层和卷积神经结构，特征联合层的输入端分别连接多个分类单元，特征联合层的输出端连接卷积神经结构，卷积神经结构的输出作为仲裁
单元的输出端。
[0029]优选地，目标腺体为甲状腺。
[0030]本专利技术还提供一种基于深度学习的腺瘤和腺癌超声影像分类方法，应用于如上述的基于深度学习的腺瘤和腺癌超声影像分类系统中，包括：
[0031]对包含目标腺体的超声影像数据的图像帧进行多尺度变换和增强处理，得到多个不同尺度的第一图像；
[0032]对多个不同尺度的第一图像分别进行特征提取，得到每一第一图像对应的特征向量；
[0033]根据多个不同尺度的第一图像对应的特征向量进行分类，得到对应于每一尺度第一图像的分类结果，并对所有尺度第一图像的分类结果进行仲裁，得到最终分类结果。
[0034]本专利技术技术方案的优点或有益效果在于：
[0035]本专利技术通过超声图像进行多尺度变换和增强，然后分别对不同尺度的图像进行特征向量提取，根据提取的特征向量进行分类仲裁，基于深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的腺瘤和腺癌超声影像分类系统，其特征在于，包括：多尺度图像处理模块，用于对包含目标腺体的超声影像数据的图像帧进行多尺度变换和增强处理，得到多个不同尺度的第一图像；特征提取模块，连接所述多尺度图像处理模块，用于对多个不同尺度的所述第一图像分别进行特征提取，得到每一所述第一图像对应的特征向量；分类模块，连接所述特征提取模块，用于根据多个不同尺度的所述第一图像对应的所述特征向量进行分类，得到对应于每一尺度所述第一图像的分类结果，并对所有尺度所述第一图像的所述分类结果进行仲裁，得到最终分类结果。2.根据权利要求1所述的基于深度学习的腺瘤和腺癌超声影像分类系统，其特征在于，所述多尺度图像处理模块包括：多个图像拉伸增强单元，每一所述图像拉伸增强单元分别用于对所述超声影像数据的图像帧分解得到的不同尺度的特征图像进行增强处理，得到不同尺度的所述第一图像。3.根据权利要求2所述的基于深度学习的腺瘤和腺癌超声影像分类系统，其特征在于，每一所述图像拉伸增强单元分别包括：高斯滤波子单元，用于对所述特征图像进行高斯滤波处理，得到高斯图像；第一池化子单元，连接所述高斯滤波子单元，用于对所述高斯图像进行平均下采样处理，得到第一采样图像；差分处理子单元，连接所述高斯滤波子单元，用于对所述特征图像和所述高斯图像进行取反处理，得到差分图像；第二池化子单元，连接所述差分处理子单元，用于对所述差分图像进行绝对值的最大值下采样处理，得到第二采样图像；增强子单元，分别连接所述第一池化子单元和所述第二池化子单元，用于对所述第一采样图像和所述第二采样图像进行相加处理，得到对应尺度的所述第一图像。4.根据权利要求1所述的基于深度学习的腺瘤和腺癌超声影像分类系统，其特征在于，所述特征提取模块包括：多个残差块，多个所述残差块采用级联连接，用于向下池化时采用相加的方式融合不同尺度所述第一图像的特征，得到每一尺度所述第一图像对应的所述特征向量，并将每一尺度所述第一图像...

【专利技术属性】
技术研发人员：黄孟钦，朱瑞星，殷一飞，
申请(专利权)人：上海深至信息科技有限公司，
类型：发明
国别省市：