System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机辅助诊断甲状腺结节领域,尤其是一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法。
技术介绍
1、甲状腺癌的发病率近年来呈快速上升趋势。超声作为甲状腺病变的首选检查方法,可在发现病灶的同时对其生物学行为进行初步判断,具有便捷、安全等优势,但存在一定的操作者依赖性。在甲状腺结节疾病的诊断中,影像学领域的超声图像检查具有时效性强、方便安全、无辐射等优点,已成为甲状腺结节临床诊断的主要筛查方式。医生通过使用价格实惠、对人体无害的超声工具观察患者甲状腺结节超声成像形态做出提前诊断,将为患者术前的病情评估以及后续的手术方案制定提供重要的参考价值。在人工智能还未在医学领域普及时,大都是放射科医生通过观察超声图像,并依据甲状腺影像报告和数据系统(ti-rads)对甲状腺结节病变区域进行描述,风险评估和分类,在庞大工作量的压力下,难免出现良性误诊和恶性漏诊的问题,计算机辅助诊断(cad)技术的出现使解决这些问题成为可能。
2、随着深度学习技术的不断发展,传统的超声诊断技术正在同前沿人工智能技术相结合,辅助医生进行甲状腺结节良恶性诊断已成为趋势。人工智能与甲状腺结节超声诊断结合的研究目标大都集中于两个方向,一个是结节分类准确率的提升,另一个是结节病灶的定位和分割准确率的提升。此前,大多数研究都集中于用图像处理技术来手动提取超声图像的形态特征和纹理特征,然后用支持向量机(svm),adaboost等分类器完成简单的良恶性分类。卷积神经网络的出现为甲状腺结节超声图像的分类提供了新思路。但是,这些方法也存在一定的不足:
技术实现思路
1、本专利技术需要解决的技术问题是提供一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,解决了甲状腺结节因缺乏量化指标而造成的分级困难问题。
2、为解决上述技术问题,本专利技术所采用的技术方案是:一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,包括如下步骤:
3、步骤s1、建立甲状腺结节超声图像数据库,获取原始甲状腺结节超声图像具体分级类别;
4、步骤s2、图像预处理:对原始甲状腺结节超声图像进行人工伪影的去除,并进行数据增强;
5、步骤s3、感兴趣区域提取:利用u-net网络良好的分割性能,获取甲状腺结节超声图像的感兴趣区域;
6、步骤s4、医学先验知识的量化:对ti-rads中提到的形状、边界、纵横比、回声、钙化特征进行量化;
7、步骤s5、深度特征的提取:训练引入自注意力机制的shufflenet网络,使深层次的网络感受野增加,图像信息经过压缩,通过输出层提取出图像的整体特征;
8、步骤s6、特征融合:将医学先验知识和深度特征融合得到最终的特征向量;
9、步骤s7、分类:将最后得到的特征向量送入xgboost分类器实现甲状腺结节超声图像的分级。
10、本专利技术技术方案的进一步改进在于:所述步骤s1中甲状腺结节分级类别包括2类、3类、4a类、4b类、4c类和5类。
11、本专利技术技术方案的进一步改进在于:所述步骤s7中xgboost分类具体操作方法如下:所述步骤s2中对原始甲状腺结节超声图像进行roberts算子边缘检测,提取人工伪影的掩膜图像,通过图像加法操作去除伪影,最终用快速行进算法修复图像。
12、本专利技术技术方案的进一步改进在于:所述步骤s7中xgboost分类具体操作方法如下:所述步骤s2中用快速行进算法修复图像后对原始甲状腺结节超声图像进行混合中值滤波以去除图像噪声,然后进行对比度受限的自适应直方图均衡化增强动态范围较小的图像对比度,以提升分类结果准确率。
13、本专利技术技术方案的进一步改进在于:所述步骤s7中xgboost分类具体操作方法如下:所述步骤s4中:
14、对于形状特征,选用圆形紧致度和椭圆度作为形状特征量;
15、对于边界特征,选用边缘点锐度和边缘强度作为边界特征量;
16、对于纵横比,选用结节最小外接矩形的高于宽之比来表示;
17、对于回声特征,选用从描述图像纹理特征的灰度共生矩阵中得到的对比度、熵、能量、逆方差、相关性、方差来作为回声特征量;
18、对于钙化特征,选用微钙化程度来作为钙化特征量,微钙化程度指钙化区域和结节区域的面积关系;
19、将上述总计12个特征量依次拼接,生成医学先验知识的特征向量。
20、本专利技术技术方案的进一步改进在于:所述步骤s7中xgboost分类具体操作方法如下:所述步骤s5中深度特征的提取具体步骤如下:
21、步骤s51、搭建基础shufflenet_v2模型,加载在imagenet上预训练好的权重;
22、步骤s52、引入自注意力机制;在shufflenet_v2模型每个倒残差模块之后加入多头自注意力机制,自注意力层计算特征与特征之间的相似性来获取图像更丰富的信息,并确保特征信息丢失达到最少;
23、步骤s53、选用dropout 正则化方法防止过拟合,并从最后的全局池化层中提取出送入全连接层前的特征。
24、本专利技术技术方案的进一步改进在于:所述步骤s7中xgboost分类具体操作方法如下:所述步骤s6中选用早融合策略,将医学先验知识特征和深度特征用concat操作拼接在一起得到融合的特征。
25、本专利技术技术方案的进一步改进在于:所述步骤s7中xgboost分类具体操作方法如下:步骤s71、将步骤s6操作得到的特征作为xgboost分类器的输入;
26、步骤s72、确定xgboost分类器的最佳参数:迭代次数、最小子权重、树的最大深度、最小损失、训练实例的子样本比率、l1权重的正则化项、l2权重的正则化项、学习率;
27、步骤s73、选用五折交叉验证,用确定好的分类器参数对甲状腺结节超声图像进行多分类。
28、由于采用了上述技术方案,本专利技术取得的技术进步是:
29、1、本专利技术提出的一种医学先验知识和深度特征融合的甲状腺结节超声图像诊断方法,能够对甲状腺结节完成2类,3类,4a类,4b类,5类的分级(1类和6类分别是确定的良性和恶性结节)甲状腺影像报告和数据系统(ti-rads)中提到的各项特征属于一种医学先验知识,是医生用于对甲状腺结节进行分级的重要依据。为了更准确的进行分级,先将这种医学先验知识通过特征工程转化为各种特征量,然后与加入自注意力机制改进的shufflenet网络提取超声图像的深度特征相结合完成对甲状腺结节的分级。该方法能够有效消除本文档来自技高网...
【技术保护点】
1.一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:所述步骤S1中甲状腺结节分级类别包括2类、3类、4a类、4b类、4c类和5类。
3.根据权利要求1所述的一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:所述步骤S2中对原始甲状腺结节超声图像进行Roberts算子边缘检测,提取人工伪影的掩膜图像,通过图像加法操作去除伪影,最终用快速行进算法修复图像。
4.根据权利要求3所述的一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:所述步骤S2中用快速行进算法修复图像后对原始甲状腺结节超声图像进行混合中值滤波以去除图像噪声,然后进行对比度受限的自适应直方图均衡化增强动态范围较小的图像对比度,以提升分类结果准确率。
5.根据权利要求1所述的一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:所述步骤S4中:
6.根据权利要求1所述的一种融合医学先验知识的甲状腺结
7.根据权利要求6所述的一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:所述步骤S6中选用早融合策略,将医学先验知识特征和深度特征用concat操作拼接在一起得到融合的特征。
8.根据权利要求7所述的一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:所述步骤S7中XGBoost分类具体操作方法如下:
...【技术特征摘要】
1.一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:所述步骤s1中甲状腺结节分级类别包括2类、3类、4a类、4b类、4c类和5类。
3.根据权利要求1所述的一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:所述步骤s2中对原始甲状腺结节超声图像进行roberts算子边缘检测,提取人工伪影的掩膜图像,通过图像加法操作去除伪影,最终用快速行进算法修复图像。
4.根据权利要求3所述的一种融合医学先验知识的甲状腺结节超声图像辅助诊断方法,其特征在于:所述步骤s2中用快速行进算法修复图像后对原始甲状腺结节超声图像进行混合中值滤波以去除图像噪声,...
【专利技术属性】
技术研发人员:王影,赵鹏新,陈华,刘崇,成小石,蒋臣君,
申请(专利权)人:河北医科大学第二医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。