检索历史 清除

摘要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:<br>　　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。<br>　　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mPA、Dice和MIoU分别达到了93.27％、92.97％和87.25％。<br>　　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％。<br>　　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。