基于超声图像的肝纤维化分期诊断方法研究

这是一篇关于肝纤维化,超声图像,多尺度特征提取,神经网络,特征融合的论文, 主要内容为肝纤维化是比较严重的肝功能疾病,若不及时治疗可发展为肝硬化甚至引发死亡。有研究表明,早期肝纤维化是可被治愈的,因此,纤维化和肝硬化的早期发现和准确分期对于早期诊断和及时启动适当的治疗方案至关重要。肝活检是诊断肝纤维化的“金标准”,但由于其具有创伤性,对病人的身体有一定的损伤,临床使用受到一定的限制。超声图像由于价格低廉和无创性受到广泛的使用,临床医生通过观察超声图像纹理的粗糙程度来判断肝纤维化的等级,这种方式由于主观性容易造成误判。因此,本文以超声肝纤维化图像为研究对象,利用当前热门的深度学习相关技术对超声肝纤维化图像分类方法进行研究。在图像预处理阶段,首先,针对原始图像中存在非超声成像区域,设计自动提取超声成像区域算法,排除干扰区域对超声肝纤维化图像分类的影响。其次,针对部分图像中存在大量阴影噪声,采用Zero-DCE图像增强技术对图像进行去噪处理;同时,针对肝实质区域难以提取的问题,进行手动提取肝实质;最后,针对超声肝纤维化数据集较少的问题,采用图像几何变换等方法进行数据扩充。在超声肝纤维化图像分类阶段,使用了Res Net50、Mobile Net V2和Efficient Net V2-S等3种不同的分类模型完成早期、中期和晚期超声肝纤维化图像分类任务,使用4种评价指标对模型进行多维度、系统的分析评估。实验结果表明,基于Efficient Net V2-S的分类模型在超声肝纤维化图像分类任务中具备良好的分类性能,其准确率达到了70%,且早期、中期和晚期肝纤维化的F1-Score性能指标分别为80.65%、54.17%、72.11%。为了进一步提升模型的分类性能,提出了一种改进模型Efficient Net V2-BCH的超声肝纤维化图像分类模型。首先,针对肝纤维化病变细节信息难以提取问题,设计特征金字塔分支来融合图像中不同尺度的特征;其次,针对超声图像中相邻的两个肝纤维化病变阶段差异性不显著问题,提取Canny边缘检测和Haar小波变换特征图分别与Bi FPN分支进行特征融合,最后与主干网络Efficient Net V2-S进行多尺度多特征融合。实验结果表明,改进模型Efficient Net V2-BCH分类准确率能达到89.41%,相较于原始模型Efficient Net V2-S准确率提高了19%;早期、中期和晚期肝纤维化的召回率分别提升了10%、36%和13%;早期、中期和晚期肝纤维化的F1-Score分别提升了11%、33%和13%。

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。

基于多任务学习的甲状腺超声图像结节分割方法研究

这是一篇关于医学图像,卷积神经网络,超声图像,图像分割,甲状腺的论文, 主要内容为医学图像分割是医学处理领域的重要子方向,训练出高性能的深度图像分割模型是获得良好的医学图像病灶分割结果的关键所在。由于医学图像成像过程复杂,并且具有低对比度和噪声严重等特点。特别是超声图像这种利用超声反射原理形成的图像,其形成过程更加不稳定,这些特点就极大地增加了深度学习在医学图像领域广泛应用的难度。相比于自然图像来说,医学图像难以获取,标注成本也远大于自然图像。当数据匮乏的时候,神经网络的训练通常会出现过拟合的状况,这种现象在医学图像领域数据集上极易出现,这也无疑成为了限制医学处理领域的发展。基于以上背景,本文从超声图像出发,以甲状腺结节为研究对象,利用深度学习在甲状腺超声图像结节分割任务上开展一系列创新性研究,提出了以下研究方案:1.目前在超声图像甲状腺结节分割任务上的研究通常会出现甲状腺边界区域分割不精细或者被过度分割的问题,这是由于超声图像这种模态特定性质造成的。针对这种问题,本文提出了基于多尺度注意力的甲状腺结节超声分割方法。该方法首先通过使用不同空洞率的空洞卷积提取甲状腺病灶特征信息,之后将不同尺度的特征信息进行特征融合,解决不同甲状腺结节大小对超声图像分割的影响。考虑到位置关系信息学习和深层次语义特征筛选后的特征对分割模型的影响,通过使用通道注意力机制使网络模型更加专注于更有用的特征信息,从而提高甲状腺结点的分割精度,实现病灶区域的精细分割。本文在TN3k数据集上训练所提出的模型,并在本地合作医院的数据集验证所提出的模型,MSAU-Net模型有非常优秀的分割效果,并且其召回率为87.0%,精密度为86.1%,Dice系数为84.6%,精确度为94.6%。2.由于大多数在医学图像分割上的研究都是通过人工提取ROI的数据集上,这样做难免会丢失部分有用的特征,使得训练出的模型不具有泛化性。针对这一现状,本文采用先检测后分割的思路,通过利用改进的Faster R-CNN提取甲状腺结节的ROI,然后采用U-Net进行分割。提出的网络包含检测和分割两个路径,首先利用VGG-19提取出不同分辨率的特征,利用特征金字塔的思想将不同分辨率的特征利用特定的网络处理,以获取不同尺寸结节的特征,使本文提出的模型适用于不同尺寸结节的分割,更加具有泛化性。并将检测路径提取的多分辨率特征与分割融合,从而生成更加精细的甲状腺结节。本文将未经处理的数据集在提出的DSU-Net上进行训练,并且在处理过后的合作医院数据集上进行训练。结果表明,提出的DSU-Net更能够获取出泛化性的特征,先检测后分割的思路能够更进一步提高模型的分割性能。

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。

基于深度学习的前列腺超声图像超分辨率重建技术研究

这是一篇关于前列腺,超声图像,深度学习,超分辨率重建,分类的论文, 主要内容为随着深度学习的快速发展,前列腺超声图像的计算机辅助诊断逐渐和深度学习紧密结合起来,有助于检测和治疗疾病。但是,前列腺的超声图像存在分辨率低、类别不平衡等问题,以及目前的图像分类算法在数据量不充分的情况下很难发挥分类网络性能等问题,使得前列腺超声图像的智能辅助诊断效率较低,为了解决这些问题,本文提出了基于深度学习的前列腺超声图像超分辨率重建方法,并将其应用于前列腺癌的诊断研究中,提高前列腺超声图像计算机辅助诊断的准确性和可靠性。利用深度学习中的图像超分辨率重建技术和图像分类技术对前列腺超声图像进行处理,实现前列腺超声图像的辅助诊断。本文的主要工作如下:(1)融合U-Net的前列腺超声图像超分辨率重建技术研究。超分辨率重建是前列腺超声图像数据增强中的一个关键方法。目前的超分辨率重建算法在提取图像特征时,采用单一尺寸的卷积核,不能很好地提取图像的特征信息,特征利用率低。针对上述问题,利用改进的Cycle GAN进行前列腺超声图像超分辨率重建,通过融合UNet网络,实现多尺度提取图像特征,提升网络的重建能力。在Cycle GAN的生成器输出中,将U-Net的输出与原始输入进行连接,以保留更多的低级特征和细节信息。充分利用LR-SR-HR和HR-LR-SR的循环损失和鉴别器的对抗特性,促进生成器产生更好的感知一致的超分辨率重建结果。实验表明,与经典的Bicubic重建方法和应用于超声图像的Cycle GAN重建方法对比,本文方法具有良好的重建效果。(2)基于EGDL-Cycle GAN的前列腺超声图像超分辨率重建技术研究。在上一种方法中,Cycle GAN融合U-Net的模型重建出来的图像在PSNR(Peak Signal-toNoise Ratio)和SSIM(Structural Similarity)评价指标波动较大,这是由于U-Net网络的特征表达能力还不够充分。针对上述问题,在上一种方法的基础上,本文进一步研究Cycle GAN的生成网络和感知损失,并对其进行改进,提出了一种面向超声图像的EGDL-Cycle GAN超分辨率重建网络。通过改进的生成器实现多尺度提取特征,利用编码器和解码器之间的全尺度跳跃连接,全尺度捕获细粒度的细节和粗粒度的语义,有效地提升生成网络的性能,能使重建效果更好;针对传统的感知损失存在着信息损耗的问题,提出了新型的感知损失模块,利用残差结构深度提取特征来获取感知损失,并将其加入到网络损失函数中用于训练模型,能够使模型学习到真实和生成图像之间的全局和局部差异,更加关注图像的边缘信息和空间信息,并向生成器提供相关的空间信息反馈,提升生成器感知一致性重建的能力。该方法能增强前列腺超声图像数据集,为下一步的前列腺癌超声图像智能辅助分类诊断提供丰富的图像。实验结果表明,本文提出的EGDL-Cycle GAN方法在PSNR、SSIM和视觉效果方面优于经典图像超分辨重建算法Bicubic、感知驱动的方法SRGAN以及应用于超声图像的Cycle GAN方法。(3)最后,本文设计实验评估原始数据集结合超分辨率重建数据集对分类网络的性能影响,在Accuracy、Precision、Recall、Specificity、F1-score指标上评估,实验结果表明加入超分辨率重建数据后分类网络的性能有所提升。

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。

基于超声图像的肝纤维化分期诊断方法研究

这是一篇关于肝纤维化,超声图像,多尺度特征提取,神经网络,特征融合的论文, 主要内容为肝纤维化是比较严重的肝功能疾病,若不及时治疗可发展为肝硬化甚至引发死亡。有研究表明,早期肝纤维化是可被治愈的,因此,纤维化和肝硬化的早期发现和准确分期对于早期诊断和及时启动适当的治疗方案至关重要。肝活检是诊断肝纤维化的“金标准”,但由于其具有创伤性,对病人的身体有一定的损伤,临床使用受到一定的限制。超声图像由于价格低廉和无创性受到广泛的使用,临床医生通过观察超声图像纹理的粗糙程度来判断肝纤维化的等级,这种方式由于主观性容易造成误判。因此,本文以超声肝纤维化图像为研究对象,利用当前热门的深度学习相关技术对超声肝纤维化图像分类方法进行研究。在图像预处理阶段,首先,针对原始图像中存在非超声成像区域,设计自动提取超声成像区域算法,排除干扰区域对超声肝纤维化图像分类的影响。其次,针对部分图像中存在大量阴影噪声,采用Zero-DCE图像增强技术对图像进行去噪处理;同时,针对肝实质区域难以提取的问题,进行手动提取肝实质;最后,针对超声肝纤维化数据集较少的问题,采用图像几何变换等方法进行数据扩充。在超声肝纤维化图像分类阶段,使用了Res Net50、Mobile Net V2和Efficient Net V2-S等3种不同的分类模型完成早期、中期和晚期超声肝纤维化图像分类任务,使用4种评价指标对模型进行多维度、系统的分析评估。实验结果表明,基于Efficient Net V2-S的分类模型在超声肝纤维化图像分类任务中具备良好的分类性能,其准确率达到了70%,且早期、中期和晚期肝纤维化的F1-Score性能指标分别为80.65%、54.17%、72.11%。为了进一步提升模型的分类性能,提出了一种改进模型Efficient Net V2-BCH的超声肝纤维化图像分类模型。首先,针对肝纤维化病变细节信息难以提取问题,设计特征金字塔分支来融合图像中不同尺度的特征;其次,针对超声图像中相邻的两个肝纤维化病变阶段差异性不显著问题,提取Canny边缘检测和Haar小波变换特征图分别与Bi FPN分支进行特征融合,最后与主干网络Efficient Net V2-S进行多尺度多特征融合。实验结果表明,改进模型Efficient Net V2-BCH分类准确率能达到89.41%,相较于原始模型Efficient Net V2-S准确率提高了19%;早期、中期和晚期肝纤维化的召回率分别提升了10%、36%和13%;早期、中期和晚期肝纤维化的F1-Score分别提升了11%、33%和13%。

基于超声图像的肝纤维化分期诊断方法研究

这是一篇关于肝纤维化,超声图像,多尺度特征提取,神经网络,特征融合的论文, 主要内容为肝纤维化是比较严重的肝功能疾病,若不及时治疗可发展为肝硬化甚至引发死亡。有研究表明,早期肝纤维化是可被治愈的,因此,纤维化和肝硬化的早期发现和准确分期对于早期诊断和及时启动适当的治疗方案至关重要。肝活检是诊断肝纤维化的“金标准”,但由于其具有创伤性,对病人的身体有一定的损伤,临床使用受到一定的限制。超声图像由于价格低廉和无创性受到广泛的使用,临床医生通过观察超声图像纹理的粗糙程度来判断肝纤维化的等级,这种方式由于主观性容易造成误判。因此,本文以超声肝纤维化图像为研究对象,利用当前热门的深度学习相关技术对超声肝纤维化图像分类方法进行研究。在图像预处理阶段,首先,针对原始图像中存在非超声成像区域,设计自动提取超声成像区域算法,排除干扰区域对超声肝纤维化图像分类的影响。其次,针对部分图像中存在大量阴影噪声,采用Zero-DCE图像增强技术对图像进行去噪处理;同时,针对肝实质区域难以提取的问题,进行手动提取肝实质;最后,针对超声肝纤维化数据集较少的问题,采用图像几何变换等方法进行数据扩充。在超声肝纤维化图像分类阶段,使用了Res Net50、Mobile Net V2和Efficient Net V2-S等3种不同的分类模型完成早期、中期和晚期超声肝纤维化图像分类任务,使用4种评价指标对模型进行多维度、系统的分析评估。实验结果表明,基于Efficient Net V2-S的分类模型在超声肝纤维化图像分类任务中具备良好的分类性能,其准确率达到了70%,且早期、中期和晚期肝纤维化的F1-Score性能指标分别为80.65%、54.17%、72.11%。为了进一步提升模型的分类性能,提出了一种改进模型Efficient Net V2-BCH的超声肝纤维化图像分类模型。首先,针对肝纤维化病变细节信息难以提取问题,设计特征金字塔分支来融合图像中不同尺度的特征;其次,针对超声图像中相邻的两个肝纤维化病变阶段差异性不显著问题,提取Canny边缘检测和Haar小波变换特征图分别与Bi FPN分支进行特征融合,最后与主干网络Efficient Net V2-S进行多尺度多特征融合。实验结果表明,改进模型Efficient Net V2-BCH分类准确率能达到89.41%,相较于原始模型Efficient Net V2-S准确率提高了19%;早期、中期和晚期肝纤维化的召回率分别提升了10%、36%和13%;早期、中期和晚期肝纤维化的F1-Score分别提升了11%、33%和13%。

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。

基于自监督学习的超声图像分割与分类方法研究

这是一篇关于自监督学习,超声图像,卷积神经网络,Transformer,知识蒸馏的论文, 主要内容为深度神经网络由于具有从高维数据中学习丰富语义特征的卓越能力,在广泛的机器学习任务中取得了巨大的成功。然而由于其有监督的学习方式,通常需要大量的人工标记数据才能成功地学习这些特征,这既昂贵又不实用。尤其在医学图像领域,考虑到病人的隐私问题无法获得大量公开数据,且因医学图像难以识别,必须专业医师才可准确标注,因此在医学领域中往往无法获得大量已标注好的医学图像数据,这是医学领域辅助诊断中最大的难题之一。自监督学习属于无监督学习中的一种,其使用输入数据本身的相关信息作为监督信号,具有更高的数据效率和更强的泛化能力,能够解决标注样本较少的问题。本文基于自监督学习思想提出了超声图像的分类与分割算法,研究工作和成果如下:(1)提出了一种基于掩码重建的自监督超声图像分割算法。通过掩膜重建的辅助任务,使用多个均匀分布的掩码块将原始超声图像覆盖,以训练模型重建原始图像的方式完成自监督学习,在不使用任何标记数据的情况下即可学习语义特征。同时,针对卷积神经网络的局部性缺点,提出了一个新的分割网络SEAT-U-Net,使用Transformer编码器和U-Net编码器共同对超声图像进行特征提取,再使用通道注意力机制融合两者特征,从而提升模型的分割能力,进一步提高分割精度。在甲状腺与乳腺超声图像数据集上的实验结果表明,SEAT-U-Net可在更少的标注数据下达到更高的分割精度,比当前SOTA的方法更具竞争力,尤其在乳腺图像的迁移学习实验中依旧取得的较好的效果,证明SEAT-U-Net在实际使用中的有效性和泛化性。(2)提出了一种基于知识蒸馏的自监督超声图像分割算法。结合基于响应的知识蒸馏方法,将教师网络对超声图像的预测结果作为目标知识,使用KL散度作为损失函数对规模更小的学生网络进行知识迁移,以此构建自监督学习辅助任务,实现在未标注样本上的预训练。之后再使用少量由专业医师标注的超声样本进行微调,完成病灶区域的识别。在两个超声图像数据集上的实验结果表明,本方法拥有更好的泛化性并取得了较好的效果。(3)提出了一种基于旋转角度预测的自监督超声图像分类算法。原始超声图像经过随机旋转变换后输入模型中,通过预测旋转角度的方式构造图像分类的自监督学习辅助任务,在不使用任何标记数据的情况下学习相关语义特征。同时提出AM-Efficient Net模型,将Vi T对超声图像提取到的注意力图作为一次特征工程,使用两个Efficient Net分别对原始超声图像和其注意力图进行特征提取,综合使用原始图像的特征与和注意力图的特征完成对超声图像的良/恶性分类,提升模型的分类能力,使模型达到更好的准确度。在两个超声图像数据集上的实验结果表明,本文提出的双分支AM-Efficient Net可挖掘无标注数据的价值,在更少的标注数据下达到更高的分类精度,具有良好的泛化性。