甲状腺结节超声影像智能诊断算法的研究

作     者：王青松 

作者单位：天津大学 

学位级别：硕士

导师姓名：余辉;张杰

授予年度：2022年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 10[医学] 

主      题：甲状腺结节 超声影像 结节分割 KWAK TI-RADS 恶性判别 

摘      要：甲状腺结节是一种临床上常见的内分泌疾病,在成人群体中发病率较高,且逐年上升。作为甲状腺结节早期筛查的主要手段,超声诊断具有无创、无辐射、便捷、实时、多切面多角度的优点。超声诊断的结果对后续治疗方案有重要意义,但是诊断结果具有较强的主观性。超声影像智能诊断不仅能够缓解医生的压力,提高早期筛查的效率,还可以提高诊断结果的客观性,缓解医疗资源不平衡问题。本文对2019年至2021年天津医科大学总医院实施甲状腺结节超声诊断的1862例患者病史资料进行回顾性分析,建立包括超声影像、病灶标注、风险分级、病理结果的临床数据集。在标签制作过程中,设计一种基于活动轮廓模型的辅助标注算法,配合医生进行交互式半自动标注。在此基础上,本文设计并实现一套甲状腺结节超声智能诊断算法,具体内容包括:首先针对甲状腺结节病灶分割问题,使用改进的U-Net++模型进行参数训练和验证。在预处理中使用双边滤波降低超声图像的噪声。将稠密神经网络Dense Net作为模型的主干网络,并设计一种新的可训练权重特征融合方式。该模型在临床测试集上Io U系数为85.2%,Dice系数为92.2%。在TN-SCUI数据集上平均Dice系数为83.0%。其次针对甲状腺结节良恶性判别问题,先后使用支持向量机模型和残差卷积神经网络Res Net。基于灰度直方图、灰度共生矩阵和Gabor滤波构造结节特征量,输入至支持向量机模型。在Res Net模型上加入通道注意力机制,并使用伪标签的半监督学习策略。两种方法的临床测试集准确率分别为80.6%和91.5%,假阴性率为28.6%和8.9%。结果证明深度学习更适用于结节良恶性判别问题。最后根据临床分类指南KWAK TI-RADS提出多任务级联卷积神经网络(MT-CNN)用于结节分级和良恶性判别。该模型由四条分支网络和一条主干网络构成。四条分支网络分别对应上述分类标准提出的四个恶性表征(除纵横比外)的识别,主干网络以良恶性分类为目标。通过通道融合实现分支网络与主干网络的特征融合。四个表征的识别准确率分别为94.5%,92.8%,,86.1%,88.9%,假阳性率分别是6.0%,5.6%,10.6%,12.9%。良恶性分类准确率为94.8%。上述研究结果表明,本文提出的智能诊断算法技术合理有效,在降低超声医师劳动强度的同时保证早筛效率。