一种基于深度学习的甲状腺结节超声图像良恶性分类方法技术

本发明专利技术公开了一种基于深度学习的甲状腺结节超声图像良恶性分类方法，包括：

【技术实现步骤摘要】
一种基于深度学习的甲状腺结节超声图像良恶性分类方法


[0001]本专利技术涉及医学图像分类
，尤其涉及一种基于深度学习的甲状腺结节超声图像良恶性分类方法
。

技术介绍

[0002]临床中常以超声作为诊断甲状腺结节的影像诊断方式，超声检查具有便利
、
低成本
、
无辐射的优点
。
但超声诊断高度依赖于医生的临床经验和专业熟练程度，具有很强的主观性
。
根据地区医疗水平
、
医生资历等条件的变化，不同医生对同一病例的诊断可能会存在差异
。
对于经验较少的医生来说，准确识别甲状腺结节的超声图像特征并进行诊断仍具有挑战性
。
在此基础上，基于深度学习的图像分类方法能够在短时间内学习大量医学图像的特征并完成诊断，且能够达成更好的准确性和诊断一致性
。
[0003]近年来，
Transformer
模型在计算机视觉领域逐渐热门，与传统的卷积神经网络相比，
Transformer
具有诸多优势，例如
Transformer
采用注意力机制能够学习到特征之间的关系，不完全依赖于数据本身；关注的不仅是局部的信息等
。Swin Transformer
骨干网络在
ImageNet、COCO
等公开数据集的计算机视觉任务中都大幅刷新了之前的记录，让研究者们对
Transformer
在计算机视觉领域的未来更有信心
。
[0004]现有技术
CN112001877A
中采用
Faster
‑
RCNN
和基于
ResNet+FPN
的改良网络分别训练，然后在超声图像中检测甲状腺结节，对比评估了两种算法的检测效果，实现
ROI
区域的自动标注，减少主观误差，帮助放射科医生快速
、
准确地诊断
。
现有技术
CN110570369A
中针对甲状腺超声图像提出了一种基于
TV
模型和
GoogLeNet
模型的检测和分类方法
。
该方法使用
TV
模型消除甲状腺结节超声图像的边框标记并修复部分纹理，进行预处理，然后搭建
GoogLeNet Inception V1
模型完成图像分类
。
[0005]现有技术
CN110570369A
直接使用了已有的
TV
模型和
GoogLeNet
模型对图像进行修复和分类，而并没有考虑结合甲状腺结节超声图像的特征做出对应的创新调整
。
且医学图像数据本身具有数量少
、
对比度低等特点，该专利用于模型训练和测试的病例数据较少，无法保证和证明模型的鲁棒性
。

技术实现思路

[0006]本专利技术克服了现有技术的不足，提供一种基于深度学习的甲状腺结节超声图像良恶性分类方法
。
[0007]为达到上述目的，本专利技术采用的技术方案为：一种基于深度学习的甲状腺结节超声图像良恶性分类方法，包括以下步骤：
[0008]S1、
采集超声结节图像样本数据，对超声结节图像样本数据进行预处理；所述预处理包括：数据格式转换
、
数据脱敏过滤
、
数据扩增
、
数据划分和数据增强；
[0009]S2、
以
Swin Transformer
模型作为基础模型，并加入残差模块，采用
Instance Normalization
算法，损失函数采用三元损失函数；
[0010]S3、
通过反复迭代进行学习训练模型，不断调整超参数，选取评估结果最好的模型进行输出；
[0011]S4、
基于训练完成的模型，根据超声结节图像样本数据，确定甲状腺结节良恶性的类型，并输出分类结果
。
[0012]本专利技术一个较佳实施例中，在所述
S1
中，所述图像样本数据包括：通过超声检查仪器处理得到的原始
DICOM
格式的影像数据和患者的病理诊断数据
。
[0013]本专利技术一个较佳实施例中，在所述
S1
中，预处理的具体操作为：
[0014]a、
数据格式转换：将
DICOM
格式的影像数据转换成
PNG
图像序列，每个患者的数据都保存在一个单独的目录下，按照患者的诊断编号命名，根据病理诊断报告分为
malignant
和
benign
两个类别；
[0015]b、
数据脱敏过滤：通过裁剪保留超声图像的部分，删除图像外的各类标注，以及患者的隐私信息，并筛选出所有包含甲状腺结节的图像；
[0016]c、
数据扩增：对恶性图像数据通过水平翻转进行数据扩增；
[0017]d、
数据划分：采用
10
折交叉验证的方法，在划分数据时，保证同一患者的所有图像都在同一折数据集内；
[0018]e、
数据增强：使用
resize
使所有图像变成
224
×
224
的尺寸；在训练的过程中，所有图像有
0.5
的概率发生旋转或翻转
。
[0019]本专利技术一个较佳实施例中，在所述步骤
e
中，图像均进行归一化处理，均值为
[0.485,0.456,0.406]，方差为
[0.229,0.224,0.225]。
[0020]本专利技术一个较佳实施例中，在所述
S2
中，所述
Swin Transformer
包括4个阶层，第一个阶层由
Linear Embedding
和
Swim Transformer Block
组成，其余阶层由
Patch Merging
和
Swim Transformer Block
组成
。
[0021]本专利技术一个较佳实施例中，在所述
S3
中，采用
AdamW
优化器，训练迭代次数至少为
50。
[0022]本专利技术一个较佳实施例中，在所述
S3
中，还包括：采用评价指标包括
Accuracy,Precision,Sensitivity,Specificity,F1
‑
Score
或
AUC
中一种或多种进行任务评价
,
调整模型的阈值，得到评估结果最好的模型
。
[00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甲状腺结节超声图像良恶性分类方法，其特征在于，包括以下步骤：
S1、
采集超声结节图像样本数据，对超声结节图像样本数据进行预处理；所述预处理包括：数据格式转换
、
数据脱敏过滤
、
数据扩增
、
数据划分和数据增强；
S2、
以
Swin Transformer
模型作为基础模型，并加入残差模块，采用
Instance Normalization
算法，损失函数采用三元损失函数；
S3、
通过反复迭代进行学习训练模型，不断调整超参数，选取评估结果最好的模型进行输出；
S4、
基于训练完成的模型，根据超声结节图像样本数据，确定甲状腺结节良恶性的类型，并输出分类结果
。2.
根据权利要求1所述的一种基于深度学习的甲状腺结节超声图像良恶性分类方法，其特征在于：在所述
S1
中，所述图像样本数据包括：通过超声检查仪器处理得到的原始
DICOM
格式的影像数据和患者的病理诊断数据
。3.
根据权利要求2所述的一种基于深度学习的甲状腺结节超声图像良恶性分类方法，其特征在于：在所述
S1
中，预处理的具体操作为：
a、
数据格式转换：将
DICOM
格式的影像数据转换成
PNG
图像序列，每个患者的数据都保存在一个单独的目录下，按照患者的诊断编号命名，根据病理诊断报告分为
malignant
和
benign
两个类别；
b、
数据脱敏过滤：通过裁剪保留超声图像的部分，删除图像外的各类标注，以及患者的隐私信息，并筛选出所有包含甲状腺结节的图像；
c、
数据扩增：对恶性图像数据通过水平翻转进行数据扩增；
d、
数据划分：采用
10
折交叉验证的方法，在划分数据时，保证同一患者的所有图像都在同一折数据集内；
e、
数据增强：使用
resize
使所有图像变成...

【专利技术属性】
技术研发人员：马贺，许嫣然，黄龙，廖玲敏，章春泉，
申请(专利权)人：南昌大学第二附属医院，
类型：发明
国别省市：