论文部分内容阅读
随着预防医学的发展,人们越来越重视健康管理,在日常体检中,甲状腺结节被发现有较高的发病率,并逐渐成为成年人最常见的结节性肿瘤之一。超声检查是甲状腺结节临床诊断的首选筛查方法,精确诊断则主要通过细针穿刺活检(FNAB)。临床上,甲状腺结节的良恶性人工诊断与个人的临床医学经验密切相关,甲状腺结节的超声图像具有不同的外观,内部特征和模糊的边界,这些给人工视觉识别带来一定难度,从而容易造成误诊以及诊断结果不统一的情况,进而导致过渡治疗现象。随着人工智能技术的发展,深度学习在医学图像诊断领域取得了巨大进展,具体到甲状腺结节的良恶性识别,基于超声图像,构建模型实现结节的自动识别及良恶性分类,能有效辅助医生智能诊断。由于结节的大小不一,形状、质地各异等特征,构建精准而高效的识别模型具有一定的研究价值和临床应用价值。本文在对甲状腺结节超声图像采集的基础上,首先,对图像数据进行预处理,其次,构建深度学习模型实现对甲状腺结节的位置检测和良恶性识别,并构建数据集进行模型评估,最后,设计开发并实现了一个甲状腺结节标记识别系统。主要内容包括:1)提出了一种深度学习架构,其是基于YOLOv3的稠密的多感受野的卷积神经网络(YOLOv3-DMRF),包括DMRF-CNN和多尺度检测层。在DMRF-CNN中,模型实现将不同空洞率的空洞卷积集成在一起,使得能够将边缘和纹理特征传递到更深的;模型采用两个不同的尺度检测层以识别不同大小的甲状腺结节。2)使用两个数据集来实现对模型的评估,一个是从某省级三甲医院体检中心采集的699个甲状腺结节原始超声图像,另一个是某公开甲状腺结节数据集。通过图像人工标记处理、不平衡处理、数据增广等操作,最终形成包括10,485张图像的数据集。在实验中,使用ROC曲线、AUC值、AP和m AP作为定量和定性评估指标。通过大量分组实验,实验结果表明YOLOv3-DMRF对于超声图像中甲状腺结节的检测和识别是有效的。3)基于本文提出的YOLOv3-DMRF模型,设计并开发实现了一个超声甲状腺结节标注及智能检测与识别系统,经过相关测试,已在合作医院使用,为后续科研数据采集提供了有力支撑。