基于改进DoubleU-Net网络的甲状腺结节超声图像分割与分类研究

这是一篇关于图像分割,甲状腺结节,DoubleU-Net,多模型融合分类的论文, 主要内容为随着生活节奏的加快,在工作压力、生活习惯等多方面因素的影响下,甲状腺结节已成为人群中常见的疾病,恶性结节更是对人体健康造成了极大的威胁,所以对甲状腺结节进行早期诊断十分重要。超声医学图像凭借方便性、廉价性、对人体损伤小等优点成为临床上检测甲状腺结节的主要技术手段。利用计算机辅助进行早期诊断可以为医生进行病变分析提供准确可靠的依据。然而,甲状腺结节存在大小各异、轮廓模糊等问题使得完成甲状腺结节图像处理任务面临诸多困难。为了提升医学图像分割和分类的性能,本文利用深度学习技术对甲状腺结节超声图像进行研究,所做主要工作如下:(1)提出一种基于改进DoubleU-Net的图像分割方法。以U-Net为基础构建双网络模型,通过多尺度注意力模块融合不同尺度特征信息,增强网络提取不同尺寸结节的能力,提升深层次特征通道的关注度;针对不同层次特征信息在跳跃连接完成通道堆叠过程中存在的信息冗余问题,在解码器路径中加入注意力模块,促进不同层次特征有效融合;在网络训练过程中加入混合损失函数以解决数据中存在的类别失衡问题,同时优化模型的收敛性能。通过在公开数据集(Digital Database Thyroid Image,DDTI)的对比实验,结果表明,改进的分割网络精度明显提高,Dice系数达到了0.8652,较原模型相比,不仅获得了更好的分割结果,还优化了训练模型,提升了甲状腺结节分割的效率。(2)提出一种多模型特征融合分类方法。针对单个模型对甲状腺结节分类效果不佳的问题,本文进行多模型特征融合,增强特征表达能力,从而实现对分类精度的进一步提升。结节分类中,利用传统方法对分割结果提取了浅层特征。为了获得图像更全面的信息,本文利用残差网络和注意力机制构建了深度学习网络来提取深层特征。将提取到的浅层特征和深层特征分别作为ResNet50分类器和DarkNet19分类器的输入,针对过拟合问题,加入全局平均池化层,最后融合多模型特征。实验结果表明,良恶性结节分类准确率达到93.84%,敏感性达到92.55%,相较于其它方法,整体性能得到了提升。

基于深度学习模型的甲状腺结节超声图像良恶性识别系统的设计与实现

这是一篇关于深度学习,YOLOv5,超声图像,甲状腺结节,良恶性识别的论文, 主要内容为随着现代生活节奏逐渐加快,人们生活压力逐渐增大,甲状腺结节疾病的发病率日渐增多,严重影响了人们的日常生活和身体健康。在甲状腺结节的临床诊断阶段,超声检测凭借对人体伤害小、成本低等优势成为甲状腺结检测的首选方法,但通过超声采集的甲状腺结节超声图存在内部特征不明显、边界模糊、外观尺度多样等问题,这些给医生的临床识别筛查带来一定影响,进而增大误诊以及诊断结果不一致的风险,导致过度治疗等医疗事故的发生。随着人工智能技术不断发展,深度学习在超声图检测方面取得了巨大进展。基于超声图构建检测模型实现对甲状腺结节的检测和良恶性分类,能辅助医生诊断,提高工作效率,减少人为误诊。为了解决甲状腺超声图像采集困难、超声数据集数据量过小以及影像中存在噪声严重、尺度多样等问题,因此本课题通过改进YOLOv5算法提高了对甲状腺结节超声图良恶性识别精度,同时设计系统并进行部署。本文首先对甲状腺结节超声图数据集进行整理。其次,构建甲状腺超声图中的结节检测与分类模型。最后,围绕甲状腺超声图设计结节检测与分类系统。主要内容如下:(1)在YOLOv5目标检测算法的基础上提出甲状腺结节检测算法,包括将卷积层中Si LU激活函数替换为FRe LU,FRe LU引入了感受野,能增强激活空间的敏感度,提高对不规则结节检测能力。同时在主干中加入ECA注意力模块,以解决在卷积池化过程中特征图的不同通道所占的重要性不同带来的损失问题,赋予不同待关注区域不同的权重,进而能抑制超声图噪声,有侧重点地对结节进行特征提取。然后将PANet替换为Bi FPN特征融合网络,特征图中低层能获得更多位置、细节信息,高层能获得更多语义信息,Bi FPN增加了跳跃连接和权重信息,这种多尺度特征融合能增强对不同大小结节的检测能力。(2)对收集的数据集进行整理,最终形成包括2841张图像的数据集。再对所有图像通过双边滤波进行锐化处理,凸显结节的边缘和细节特征。在实验中,使用召回率、精准率和m AP作为评估指标。通过实验验证所提方法对于甲状腺超声图像中结节的检测和识别的有效性,在YOLOv5模型的基础上m AP提高了4.4%,达到了74.8%。(3)基于本文提出的超声图中的结节检测模型,开发部署了一个超声甲状腺结节检测与分类系统,经过系统的测试,各项功能均可正常运行,以有效辅助医生对甲状腺超声图中的结节进行初步诊断。

甲状腺结节图像分割与分类算法研究

这是一篇关于甲状腺结节,专家知识,超声图像,结节分割,结节分类的论文, 主要内容为超声检查由于其安全、无创、实时以及实惠等优点作为甲状腺结节最常用的检查手段。医生根据超声图像中甲状腺结节的特征来对结节进行分级,进而确定后续的诊疗方案。但是超声图像质量受设备影响较大,同时超声诊断对医生要求较高,存在一定漏诊和误诊的情况。目前,深度学习在医疗领域有着广泛应用,能够为医生提供有力的帮助,提高诊断的效率和准确率。但是深度学习方法通常将自然图像和医学图像不做区分地直接应用于卷积神经网络模型。这种不恰当的操作忽略了医学诊断领域相关的专家知识。因此,本文借鉴医生临床诊断经验设计了“分割+分类”的新型诊断模式,提高了结节的分类准确率。主要工作如下:1.建立甲状腺结节超声图像数据集。本文以内蒙古自治区某三甲医院提供的4021张甲状腺结节图像为研究对象,并在医生的指导下完成了数据集的构建。同时对数据集进行旋转扩充。2.设计了多尺度注意力门分割网络。该网络通过注意力门获取底层特征空间的精确信息,并抑制无用的信息来减少冗余。同时改进了ASPP模型,将其中膨胀卷积部分进行级联,通过多次采样不仅能够增加特征的感受野,也能够缓解膨胀卷积存在的网格问题,从而提升了结节的分割精度。分割网络的m PA、Dice和MIo U分别达到了93.27%、92.97%和87.25%。3.设计了与专家知识结合的三分支分类网络。借鉴医生临床诊断经验,设计的三分支网络分别对结节原始图像、结节区域图像和结节边缘图像进行特征提取。并利用CA注意力机制和跨层次特征融合,提升了模型的分类准确率。分类网络的准确率、特异性、灵敏度分别达到86.07%、81.34%、90.19%。4.完成基于分割与分类的智能辅助诊断平台搭建。医生可以在平台中对患者的信息进行管理,并添加新的患者信息。同时平台会自动采集超声检查的超声图像,医生可以将图像上传服务器预测结节分割与分类结果。如果医生对分割预测结果不满意,还可以在预测结果的基础上进行手动修改并重新预测分类结果。最后医生可以在此基础上撰写诊断报告并给出后续诊疗方案。

基于改进MobileNetV3网络的甲状腺结节辅助诊断系统设计与实现

这是一篇关于深度学习,卷积神经网络,甲状腺结节,图像分类,辅助诊断系统的论文, 主要内容为甲状腺结节是甲状腺最常见的病变之一。大多数结节为良性,无需治疗。但如果结节出现炎症或形态异常,恶性风险将增加,因此需要及时就医治疗。超声检查是常用的甲状腺结节检查方法,其安全性高且无电离辐射。医师通过人工观察超声图像对甲状腺结节进行诊断,不仅耗时,而且存在一定的主观性。相比之下,利用计算机进行辅助诊断可以提供客观准确的结果,减少医生的工作量并降低误诊的概率。利用计算机技术对医学图像进行分类,可以实现自动化和精准的医学诊断。甲状腺结节超声图像所包含的信息非常复杂和多样化,周围不同的器官和组织相互连接和交织在一起,这使得准确区分甲状腺结节类别变得非常困难。传统的图像分类方法在处理一些简单的分类任务时具有良好的表现,但是面对包含较多干扰信息和图像细节特征复杂的分类任务时,传统的图像分类方法往往表现不佳。随着深度学习技术的不断发展,基于深度学习的图像处理方法被广泛应用于医学图像分类领域,并且取得了不错的效果。本文主要工作内容如下:1、本文提出了改进的MobileNetV3网络模型来区分超声图像中甲状腺结节的类别,改进包括以下两个方面:第一,使用卷积块注意力模块替换原始MobileNetV3网络中的通道注意力模块。卷积块注意力模块由通道注意力模块和空间注意力模块按照一定规则组合而成。通道注意力机制可以提高不同特征的重要性,增强网络对图像重要特征的感知能力,而空间注意力机制可以提高不同区域的重要性,增强网络对图像重要位置区域的感知能力。第二,引入多尺度特征信息提取融合模块。首先,通过多条不同分支路径使用不同大小的卷积核来提取输入图像中不同尺度的特征信息。然后,将不同尺度的特征信息进行融合,提高模型的分类精度。实验结果表明,与Res Net34、Res Net50、Res Net101、Res Next50、Res Next101、VGG16和Efficient Net B0这几种分类网络模型相比,本文改进后的MobileNetV3网络模型对甲状腺结节具有更好的分类效果,并且其AUC指标相较于原始的MobileNetV3网络模型提高了5.56个百分点。2、设计实现了一个基于改进MobileNetV3网络的甲状腺结节辅助诊断系统。该系统旨在快速准确的区分甲状腺结节的良恶性,提高结节诊断效率。通过可行性分析、功能和非功能需求分析,明确了本系统的设计目标和各功能模块的细节。本系统支持三种不同类型用户:普通患者用户、医师用户和管理员用户,不同类型用户具有不同的系统功能模块。普通患者用户登录系统后,可以上传需要诊断的甲状腺结节超声图像,然后在线提交诊断申请。管理员用户对诊断申请进行审核。审核通过后,系统调用改进的MobileNetV3网络模型对超声图像中的甲状腺结节进行良恶性类别预测。医师用户根据系统预测结果给出具体的诊断意见,系统会自动生成相应的PDF格式的诊断报告。同时,本系统还提供了图像标注功能,医师用户可以对新获取的甲状腺结节超声图像进行类别标注,以扩充实验数据集,用于后续模型的改进和优化。最后,对本系统各功能模块进行规范化测试。测试结果表明,本系统各功能模块均能正常运行工作,符合预期设计要求,可以对甲状腺结节进行辅助诊断,提高甲状腺结节诊断效率。

基于改进MobileNetV3网络的甲状腺结节辅助诊断系统设计与实现

这是一篇关于深度学习,卷积神经网络,甲状腺结节,图像分类,辅助诊断系统的论文, 主要内容为甲状腺结节是甲状腺最常见的病变之一。大多数结节为良性,无需治疗。但如果结节出现炎症或形态异常,恶性风险将增加,因此需要及时就医治疗。超声检查是常用的甲状腺结节检查方法,其安全性高且无电离辐射。医师通过人工观察超声图像对甲状腺结节进行诊断,不仅耗时,而且存在一定的主观性。相比之下,利用计算机进行辅助诊断可以提供客观准确的结果,减少医生的工作量并降低误诊的概率。利用计算机技术对医学图像进行分类,可以实现自动化和精准的医学诊断。甲状腺结节超声图像所包含的信息非常复杂和多样化,周围不同的器官和组织相互连接和交织在一起,这使得准确区分甲状腺结节类别变得非常困难。传统的图像分类方法在处理一些简单的分类任务时具有良好的表现,但是面对包含较多干扰信息和图像细节特征复杂的分类任务时,传统的图像分类方法往往表现不佳。随着深度学习技术的不断发展,基于深度学习的图像处理方法被广泛应用于医学图像分类领域,并且取得了不错的效果。本文主要工作内容如下:1、本文提出了改进的MobileNetV3网络模型来区分超声图像中甲状腺结节的类别,改进包括以下两个方面:第一,使用卷积块注意力模块替换原始MobileNetV3网络中的通道注意力模块。卷积块注意力模块由通道注意力模块和空间注意力模块按照一定规则组合而成。通道注意力机制可以提高不同特征的重要性,增强网络对图像重要特征的感知能力,而空间注意力机制可以提高不同区域的重要性,增强网络对图像重要位置区域的感知能力。第二,引入多尺度特征信息提取融合模块。首先,通过多条不同分支路径使用不同大小的卷积核来提取输入图像中不同尺度的特征信息。然后,将不同尺度的特征信息进行融合,提高模型的分类精度。实验结果表明,与Res Net34、Res Net50、Res Net101、Res Next50、Res Next101、VGG16和Efficient Net B0这几种分类网络模型相比,本文改进后的MobileNetV3网络模型对甲状腺结节具有更好的分类效果,并且其AUC指标相较于原始的MobileNetV3网络模型提高了5.56个百分点。2、设计实现了一个基于改进MobileNetV3网络的甲状腺结节辅助诊断系统。该系统旨在快速准确的区分甲状腺结节的良恶性,提高结节诊断效率。通过可行性分析、功能和非功能需求分析,明确了本系统的设计目标和各功能模块的细节。本系统支持三种不同类型用户:普通患者用户、医师用户和管理员用户,不同类型用户具有不同的系统功能模块。普通患者用户登录系统后,可以上传需要诊断的甲状腺结节超声图像,然后在线提交诊断申请。管理员用户对诊断申请进行审核。审核通过后,系统调用改进的MobileNetV3网络模型对超声图像中的甲状腺结节进行良恶性类别预测。医师用户根据系统预测结果给出具体的诊断意见,系统会自动生成相应的PDF格式的诊断报告。同时,本系统还提供了图像标注功能,医师用户可以对新获取的甲状腺结节超声图像进行类别标注,以扩充实验数据集,用于后续模型的改进和优化。最后,对本系统各功能模块进行规范化测试。测试结果表明,本系统各功能模块均能正常运行工作,符合预期设计要求,可以对甲状腺结节进行辅助诊断,提高甲状腺结节诊断效率。

甲状腺结节图像分割与分类算法研究

这是一篇关于甲状腺结节,专家知识,超声图像,结节分割,结节分类的论文, 主要内容为超声检查由于其安全、无创、实时以及实惠等优点作为甲状腺结节最常用的检查手段。医生根据超声图像中甲状腺结节的特征来对结节进行分级,进而确定后续的诊疗方案。但是超声图像质量受设备影响较大,同时超声诊断对医生要求较高,存在一定漏诊和误诊的情况。目前,深度学习在医疗领域有着广泛应用,能够为医生提供有力的帮助,提高诊断的效率和准确率。但是深度学习方法通常将自然图像和医学图像不做区分地直接应用于卷积神经网络模型。这种不恰当的操作忽略了医学诊断领域相关的专家知识。因此,本文借鉴医生临床诊断经验设计了“分割+分类”的新型诊断模式,提高了结节的分类准确率。主要工作如下:1.建立甲状腺结节超声图像数据集。本文以内蒙古自治区某三甲医院提供的4021张甲状腺结节图像为研究对象,并在医生的指导下完成了数据集的构建。同时对数据集进行旋转扩充。2.设计了多尺度注意力门分割网络。该网络通过注意力门获取底层特征空间的精确信息,并抑制无用的信息来减少冗余。同时改进了ASPP模型,将其中膨胀卷积部分进行级联,通过多次采样不仅能够增加特征的感受野,也能够缓解膨胀卷积存在的网格问题,从而提升了结节的分割精度。分割网络的m PA、Dice和MIo U分别达到了93.27%、92.97%和87.25%。3.设计了与专家知识结合的三分支分类网络。借鉴医生临床诊断经验,设计的三分支网络分别对结节原始图像、结节区域图像和结节边缘图像进行特征提取。并利用CA注意力机制和跨层次特征融合,提升了模型的分类准确率。分类网络的准确率、特异性、灵敏度分别达到86.07%、81.34%、90.19%。4.完成基于分割与分类的智能辅助诊断平台搭建。医生可以在平台中对患者的信息进行管理,并添加新的患者信息。同时平台会自动采集超声检查的超声图像,医生可以将图像上传服务器预测结节分割与分类结果。如果医生对分割预测结果不满意,还可以在预测结果的基础上进行手动修改并重新预测分类结果。最后医生可以在此基础上撰写诊断报告并给出后续诊疗方案。

甲状腺结节超声造影特征与MVD及VEGF的相关性研究

这是一篇关于甲状腺结节,超声造影,微血管密度,血管内皮生长因子的论文, 主要内容为目的:1、评价常规超声及超声造影鉴别甲状腺良恶性结节的临床应用价值。2、探讨超声造影的检测指标与血管内皮生长因子(VEGF)、微血管密度(MVD)的相关性,并评价其临床意义。方法:收集2016年1月2017年4月在山西医科大学第一临床医学院超声科检查发现甲状腺结节,并随后在本院进行手术治疗患者55例,70个结节。术前均行超声造影(Contrast-enhanced ultrasound,CEUS),经肘静脉团注超声造影剂Sono Vue,观察甲状腺结节增强模式,并进行TIC曲线分析。术后进行免疫组化检测VEGF、MVD,并计数MVD及VEGF的染色程度,对结果进行统计学分析。结果:(1)55例70个甲状腺结节均行超声造影(CEUS)检查:其中甲状腺恶性结节共41个,分别为甲状腺乳头状癌(15/41)、微小乳头状癌(24/41)、髓样癌(1/41)、未分化癌(1/41);甲状腺良性结节共29个,分别为结节性甲状腺肿(18/29)、腺瘤(5/29)、桥本氏甲状腺炎(5/29)、亚急性肉芽肿性甲状腺炎(1/29)。1甲状腺结节的二维超声图像特征与病理结果对照得出超声二维图像特征中边界、形态、微钙化有统计学意义(P<0.05),而边缘、纵横比、后方回声在本研究中均无统计学意义;在甲状腺良恶性结节中,恶性结节的CDFI超声图像特征以边缘血管型(23/41)和无血管型(14/41)多见,而良性结节以混合血管型(11/29)和无血管型(10/29)多见。2甲状腺恶性结节主要超声造影表现为增强边界不清晰或欠清晰(31/41)、向心性增强(35/41)、强度分布不均匀(31/41),良性结节表现为增强边界清晰(23/29)、弥漫性增强(20/29)、强度分布均匀(18/29)。甲状腺恶性结节增强模式主要表现为低增强(28/41),若以低增强为诊断甲状腺结节恶性的标准,CEUS的敏感度为68.29%,特异度为65.51%。甲状腺良性结节增强模式主要表现为等增强(17/29),若以等增强为诊断甲状腺结节良性的标准,CEUS的敏感度为68.29%,特异度为53.65%。3甲状腺恶性病变PI、△PI低于良性病变,TTP、RT、△TTP、△RT差异均无统计学意义。(2)55例70个甲状腺结节均行病理免疫组化检测:其中甲状腺恶性结节共41个,分别为甲状腺乳头状癌(15/41)、微小乳头状癌(24/41)、髓样癌(1/41)、未分化癌(1/41);甲状腺良性结节共29个,分别为结节性甲状腺肿(18/29)、腺瘤(5/29)、桥本氏甲状腺炎(5/29)、亚急性肉芽肿性甲状腺炎(1/29)。1甲状腺良性结节MVD计数(24.00±3.63)明显高于恶性结节MVD计数(17.27±3.11),且恶性结节MVD分布不均匀;在甲状腺恶性结节中,有转移组的MVD计数(19.08±4.09)高于无转移组(16.57±2.24)。2甲状腺恶性结节中,VEGF染色阳性表达例数32例(32/41),淋巴结转移组的VEGF染色阳性表达(12/13)比无淋巴结转移组(20/28)比率高。3对甲状腺恶性结节的MVD计数与VEGF表达之间存在显著相关性,相关系数r为0.680。4 PI、TTP与MVD呈正相关,其中PI与MVD是显著正相关,PI相关系数r为0.522,TTP相关系数r为0.282,RT与MVD之间无明显相关性。5在甲状腺恶性结节中PI与VEGF表达具有显著相关性,相关系数r为0.407。RT、TTP与VEGF均无明显相关性。结论:(1)甲状腺结节常规超声可以借助边界、形态、有无微钙化、CDFI进行初步诊断,对于常规超声难以诊断的结节,可以结合超声造影的特征对结节性质进行判断。(2)甲状腺超声造影定量分析良恶性在PI、△PI差异有统计学意义,可能有助于结节性质的判断。(3)超声造影参数PI、TTP在一定程度上可以反映甲状腺结节的MVD,对甲状腺结节临床诊断提供病理学依据。(4)甲状腺恶性结节PI与MVD、VEGF表达具有显著相关性,可以对甲状腺恶性结节预后评估提供信息。

基于多阶U-Net的超声甲状腺及结节分割方法研究

这是一篇关于超声图像,甲状腺,甲状腺结节,图像分割,多阶U-Net的论文, 主要内容为甲状腺是位于颈前部的蝶状内分泌器官,具有调控新陈代谢、促进生长发育等作用。近年来,随着甲状腺疾病发病率的持续上升,其逐渐成为一种高发疾病,早期的发现与诊断是治疗的关键。超声图像诊断技术因其实时、廉价、便捷以及无创等优势,成为甲状腺疾病检查的首选方法。甲状腺腺体大小可用于分析甲状腺激素的分泌状况,是甲状腺异常诊断的重要特征之一。另一方面,甲状腺结节的形状与大小是临床中甲状腺结节良恶性诊断的重要依据。因此,实现超声甲状腺腺体以及甲状腺结节的精准分割,可以更准确地描述出甲状腺病变区域及周围组织,对有效诊断甲状腺病变具有重要临床意义。然而超声图像存在斑点噪声且对比度较低、甲状腺及结节形态尺寸多变且边缘模糊,因此甲状腺与甲状腺结节的精准分割存在一定难度。针对上述问题,本文提出了一种基于多阶U-Net的深度卷积网络模型,用于实现甲状腺腺体和甲状腺结节的自动分割。首先,使用限制对比度自适应直方图均衡化以提升图像对比度并利用双边滤波器对超声图像进行降噪处理。随后,设计了一种基于多阶U-Net的深度卷积网络模型,该模型以U-Net为基本网络框架,通过在解码路径进行进一步的特征提取,形成多阶深度相同的U-Net以不断递进的连接方式来克服图像噪声影响从而实现图像边缘的深度信息提取。同时,在模型中使用了一种多尺度残差卷积模块增强对不同尺度对象的分割能力,进一步提升分割精度。最后,在网络训练过程中使用了融合二值交叉熵的类Dice损失函数保证模型收敛速度和预测的鲁棒性。通过多次对比实验表明,基于多阶U-Net的深度卷积网络模型在甲状腺与甲状腺结节超声图像上的分割Dice系数分别达到0.7712、0.8347,Io U分别达到0.6713、0.7450,Precision分别达到0.8289、0.8668,Recall分别达到0.7817、0.8534。所有分割指标相较于其它常见基线算法均能够实现更优的分割结果,具有一定的临床应用价值。

基于语义分割网络的甲状腺结节辅助诊断系统研究

这是一篇关于深度学习,语义分割网络,甲状腺结节,图像分割,辅助诊断系统的论文, 主要内容为甲状腺结节是成年人群体中最常见的内分泌疾病之一,结节存在恶性风险,可能会发生癌变,及时进行诊断治疗能够减轻患者痛苦。超声成像由于其便捷、廉价、对患者无损伤等特性被广泛应用于甲状腺结节诊断。医生在人工阅片进行甲状腺结节诊断时需要耗费大量的精力,并且具有一定的主观性,可能产生漏诊、误诊的现象。而利用计算机辅助诊断系统可以较为客观、定量地描述结节,减轻医生压力并减少误诊。医疗图像分割作为计算机辅助诊断中的关键性步骤,它可以用于检测和生成病灶区域,是后续疾病诊断治疗的前提。在超声成像中的甲状腺结节具有复杂的背景,结节周围常常伴随其他组织器官,部分组织间存在一定的相似性,这给准确分割结节带来了困难。传统的甲状腺结节分割主要是采用基于主动轮廓和基于区域的方法,这些方法往往需要人为干预,难以实现完全自动化地进行分割,在实际应用中具有一定的局限性。随着深度学习技术的快速发展,越来越多的基于深度学习的图像处理方法开始应用于医疗影像分割领域,且在图像分割应用中具有良好的表现。本文着重研究了语义分割网络在自动分割甲状腺结节方面的应用,并实现了一款基于语义分割网络的甲状腺结节辅助诊断系统,为医生提供准确的甲状腺结节影像自动分割服务及相应的辅助诊断服务。本文所做的主要工作内容如下:1、提出了一种改进的甲状腺结节超声影像语义分割网络模型。本文针对临床甲状腺结节超声影像数据集,提出预处理方案,为后续实验做准备。分割模型选择医学图像分割领域广泛使用的语义分割网络U-net为基准模型,该模型是基于深度学习技术实现的。本文结合甲状腺结节分割任务特点,对U-net进行如下改进:其一,引入Resnet18网络作为本文模型的编码器,加强特征提取能力。相较于U-net,本文模型在跳跃连接处使用更多的高级语义信息聚合,利于识别结节区域;其二,本文模型在解码器部分引入通道注意力机制,用于自动筛选重要特征;此外,在本文模型解码器的最大分辨率处引入一个多尺度空间信息提取子网络,进行特征融合,并使用辅助损失函数监督,从而给模型提供更多的多尺度空间细节信息。将改进后的分割网络模型在本地医院数据集上进行验证,实验结果表明,与U-net、U-net++、FCN-TN、Seg U-net等网络模型相比,改进后的模型取得了更好的分割效果,其IOU指标相对于基准U-net模型提升了约5.5个百分点。2、完成基于语义分割网络的甲状腺结节辅助诊断系统的设计与开发。本系统采用B/S(Browser-Server)架构,使用Python编程语言、Py Torch框架、Web开发技术以及Py Charm开发工具完成系统设计目标。系统支持医生专家、普通患者以及管理员三种用户角色登录,不同的用户角色登录后将具有不同的功能模块。普通患者用户上传甲状腺结节超声影像,发起诊断服务申请。管理员用户负责审批诊断服务,待诊断申请通过后,系统即可调用语义分割网络模型自动提取甲状腺结节超声影像中的结节区域。医生专家结合模型返回的结果给出诊断意见后,系统自动生成诊断报告,并具备下载功能。此外,本文系统为医生专家提供在线数据标注功能,方便后续收集数据,增加训练样本,进一步提高模型泛化性。并且本文系统还提供患者用户历史诊断信息记录和用户基本信息的管理功能。最后,对基于语义分割网络的甲状腺结节辅助诊断系统进行了测试,完成整个系统的开发工作。