基于特征互补金字塔的超声甲状腺结节分割辅助分类研究

作     者：牟梦琪 

作者单位：河北大学 

学位级别：硕士

导师姓名：刘明;于臻

授予年度：2024年

学科分类：1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 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)] 0802[工学-机械工程] 10[医学] 

主      题：甲状腺癌 甲状腺超声图像 图像分割 图像分类 特征提取 

摘      要：甲状腺结节分割是一项有价值且具有挑战性的任务,对于甲状腺癌的诊断具有重要意义。超声作为一种经济、安全无辐射的影像技术,已成为诊断甲状腺结节的首选方法。但由于超声图像边缘较弱、对比度低以及甲状腺组织结构复杂,准确分割甲状腺结节的精细轮廓仍然是一个挑战。而对甲状腺结节形状和边缘特征的评估是鉴别甲状腺结节良恶性的前提。针对这一问题,本文研究了一种超声甲状腺结节分割与分类的模型,该网络首先对超声甲状腺结节图像进行分割,然后利用分割结果作为先验知识辅助完成分类。具体工作内容可以总结为如下两个方面: (1)针对甲状腺结节分割提出了一种基于特征互补金字塔的多尺度信息融合网络—FCP-UNe Xt。该网络重点解决对于超声甲状腺结节边缘分割不精细的问题,整体框架流程依然遵循传统的编码器和解码器的结构。为了展现更突出的分割优势,重新设计了主干网络,配合特征互补金字塔模块,通过整合不同尺度的特征图来提取边缘等细节信息和抽象的语义信息两种互补特征,使网络能够提取结节更多的细节轮廓信息。为了提升网络对重要高维特征的关注程度,设计了并行通道注意力模块。但由于分割网络的镜像架构,超声图像的噪声通过下采样和跳跃连接直接映射到解码器,所以在解码器部分设计了语义引导模块,将提取的高维特征映射到单通道像素特征图中。该模型在开放数据集TN3K上实现了86.01%的Dice系数,在来自石家庄市第五医院的临床数据集上达到88.12%的Dice系数,与其他网络模型和优化前的模型相比,都获得了更好的分割结果。 (2)提出了一种利用分割信息辅助分类的方法—LKA-Efficient Net。以Efficient Net为主干网络,将分割得到的结果图作为先验知识输入到分类网络以提取形状和边缘特征辅助分类。为了弥补主干网络空间特征提取能力和捕获长距离信息能力不足的问题,引入大核注意力,将一个大的卷积核拆分成深度空洞卷积、深度卷积和一个1×1卷积。为解决训练数据中良性类和恶性类之间数据样本不均衡的问题,使用加权交叉熵损失函数对每一类样本造成的损失赋予不同的权重,提高网络对分类效果不好的类别的关注程度。实验结果表明,模型整体性能有效提升,在TN3K数据集上达到73.54%的准确率,在临床数据集上达到94.81%的准确率。