【技术实现步骤摘要】
本专利技术涉及医学与信息，具体涉及一种基于分割的多特征信息的甲状腺结节良恶性分类方法。
技术介绍
1、超声检查是利用超声波的物理特性和人体组织声学参数进行成像，结合解剖学、病理生理学及临床医学等学科的医学影像检查技术，频率超过人耳听闻上限20khz以上的声波即为超声波，医用超声具有指向性、反射、折射、散射、衰减、吸收及多普勒效应等多种物理特性，声波穿过不同组织、器官的界面会形成不同强度的回声，这些回声信号经过计算机处理后成像。
2、目前超声检查是一种甲状腺结节常规的筛查手段，同时计算机辅助诊断能够给医生提供客观的建议。然而，现有的人工智能诊断模型将医学图像与其他图像进行相同的处理，忽略了医学诊断任务的关键领域知识。为此，提出一种基于分割的多特征信息的甲状腺结节良恶性分类方法。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有人工智能诊断模型将医学图像与其他图像进行相同的处理，忽略了医学诊断任务的关键领域知识，提供了一种基于分割的多特征信息的甲状腺结节良恶性分类方法。
2、本专利技术是通过以下技术方案解决上述技术问题的，本专利技术以下步骤：
3、步骤s1：数据集处理
4、获取多张甲状腺结节图像，在超声科医生的指导下标注良恶性标签，形成数据集，并对数据集中的图像进行数据增强处理，然后将数据集划分为训练集、测试集和验证集；
5、步骤s2：分类网络构建
6、构建甲状腺结节良恶性分类网络，甲状腺结节良恶性
7、步骤s3：分类模型训练
8、利用训练集对甲状腺结节良恶性分类网络进行训练，得到训练好的甲状腺结节良恶性分类模型；
9、步骤s4：结节良恶性分类
10、在测试集中验证甲状腺结节良恶性分类模型，利用通过验证的甲状腺结节良恶性分类模型对待检测图像中甲状腺结节的良恶性进行分类，得到结节良恶性分类结果。
11、更进一步地，在所述步骤s1中，在标注良恶性标签时，并完成结节轮廓的勾画以生成蒙版图像；所述数据增强处理为对数据集中的图像进行水平旋转和上下旋转处理，以扩充数据集。
12、更进一步地，在所述步骤s2中，多尺度分割网络以u-net网络为主干网络，包括daspp模块、注意力门以及多尺度特征融合模块；其中，所述注意力门用于获取低层特征的空间精确信息，抑制无关区域的信息；所述daspp模块用于通过级联方式，将膨胀系数低的分支与膨胀系数系数高的分支相拼接后再进行卷积操作；所述多尺度特征融合模块用于将解码器不同尺度的输出信息进行融合以获取多尺度特征表示，然后将所有尺度的特征进行上采样恢复原始大小，同时使用1×1的卷积将通道维度降至1，最后将其拼接进行输出，从而得到分割结果。
13、更进一步地，在所述步骤s2中，所述多分支分类网络包括三个分支网络，三个分支网络的结构相同，三个分支网络分别为原始分支网络、区域分支网络、边缘分支网络与跨层次特征融合模块；其中，所述原始分支网络用于提取结节的位置信息和大小信息，其输入为结节原始图像，所述区域分支网络用于提取结节内部的信息以及结节的纵横比信息，其输入为结节区域图像，所述边缘分支网络用于提取结节的边缘信息，其输入是结节边缘图像，所述跨层次特征融合模块用于将原始分支网络、区域分支网络、边缘分支网络提取的信息融合，进而对甲状腺结节良恶性进行分类。
14、更进一步地，所述步骤s2中，结节区域图像以及结节边缘图像的获取过程如下：
15、s21：通过分割得到的结节蒙版图像对结节原始图像进行裁剪，获得正方形的结节区域图像；
16、s22：然后确定结节边缘，并按照边缘对内外等距离进行扩充，获得结节边缘蒙版图像；
17、s23：按照结节边缘蒙版图像对结节原始图像进行裁剪，获得结节边缘图像。
18、更进一步地，三个分支网络均为改进的resnet50特征提取网络，所述改进的resnet50特征提取网络的每个残差模块内中均使用ca注意力机制处理，ca注意力机制用于在水平方向和垂直方向上对输入特征进行注意力感知，并作用于输入，两个方向注意力中的每个元素均表示相应的行和列中是否有感兴趣的区域，所述改进的resnet50特征提取网络中的每个支路中将不同残差模块的输出特征拼接融合。
19、本专利技术相比现有技术具有以下优点：该基于分割的多特征信息的甲状腺结节良恶性分类方法，根据专家经验，通过采用分割+分类的策略对甲状腺结节超声图像进行良恶性分类；在分割网络中，使用ag注意力机制来获取低层特征的空间精确信息，并抑制无关区域的信息来减少冗余；为了克服膨胀卷积存在的网格问题和采样稀疏问题，设计了daspp模块；最后通过多尺度信息融合，增强了网络的表达能力。
本文档来自技高网...【技术保护点】
1.一种基于分割的多特征信息的甲状腺结节良恶性分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于分割的多特征信息的甲状腺结节良恶性分类方法，其特征在于：在所述步骤S1中，在标注良恶性标签时，并完成结节轮廓的勾画以生成蒙版图像；所述数据增强处理为对数据集中的图像进行水平旋转和上下旋转处理，以扩充数据集。
3.根据权利要求1所述的一种基于分割的多特征信息的甲状腺结节良恶性分类方法，其特征在于：在所述步骤S2中，多尺度分割网络以U-Net网络为主干网络，包括DASPP模块、注意力门以及多尺度特征融合模块；其中，所述注意力门用于获取低层特征的空间精确信息，抑制无关区域的信息；所述DASPP模块用于通过级联方式，将膨胀系数低的分支与膨胀系数系数高的分支相拼接后再进行卷积操作；所述多尺度特征融合模块用于将解码器不同尺度的输出信息进行融合以获取多尺度特征表示，然后将所有尺度的特征进行上采样恢复原始大小，同时使用1×1的卷积将通道维度降至1，最后将其拼接进行输出，从而得到分割结果。
4.根据权利要求3所述的一种基于分割的多特征信息的甲状腺结
5.根据权利要求4所述的一种基于分割的多特征信息的甲状腺结节良恶性分类方法，其特征在于：所述步骤S2中，结节区域图像以及结节边缘图像的获取过程如下：
6.根据权利要求5所述的一种基于分割的多特征信息的甲状腺结节良恶性分类方法，其特征在于：三个分支网络均为改进的ResNet50特征提取网络，所述改进的ResNet50特征提取网络的每个残差模块内中均使用CA注意力机制处理，CA注意力机制用于在水平方向和垂直方向上对输入特征进行注意力感知，并作用于输入，两个方向注意力中的每个元素均表示相应的行和列中是否有感兴趣的区域，所述改进的ResNet50特征提取网络中的每个支路中将不同残差模块的输出特征拼接融合。
...【技术特征摘要】
1.一种基于分割的多特征信息的甲状腺结节良恶性分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于分割的多特征信息的甲状腺结节良恶性分类方法，其特征在于：在所述步骤s1中，在标注良恶性标签时，并完成结节轮廓的勾画以生成蒙版图像；所述数据增强处理为对数据集中的图像进行水平旋转和上下旋转处理，以扩充数据集。
3.根据权利要求1所述的一种基于分割的多特征信息的甲状腺结节良恶性分类方法，其特征在于：在所述步骤s2中，多尺度分割网络以u-net网络为主干网络，包括daspp模块、注意力门以及多尺度特征融合模块；其中，所述注意力门用于获取低层特征的空间精确信息，抑制无关区域的信息；所述daspp模块用于通过级联方式，将膨胀系数低的分支与膨胀系数系数高的分支相拼接后再进行卷积操作；所述多尺度特征融合模块用于将解码器不同尺度的输出信息进行融合以获取多尺度特征表示，然后将所有尺度的特征进行上采样恢复原始大小，同时使用1×1的卷积将通道维度降至1，最后将其拼接进行输出，从而得到分割结果。
4.根据权利要求3所述的一种基于分割的多特征信息的甲状腺结节良恶性分类方法，其特征在于：在所述步骤s2中，所述多分支分类网络包括三个分支网络...
【专利技术属性】
技术研发人员：郑志强，张煜杰，翁智，梁恩赫，张雪然，
申请(专利权)人：内蒙古大学，
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。