本發明專利技術公開了一種基于先驗知識引導的超聲圖像甲狀腺結節檢測裝置，該方法將先驗知識和結節分布特性融入深度網絡，包括兩個階段：第一階段多尺度粗檢測模塊ThyroidDetⅠ設計了一個多尺度基于區域的檢測網絡來學習金字塔特征，以檢測不同特征尺度上的結節，區域提議由關于實際結節大小和形狀分布的先驗知識訓練，進行結節的粗檢測；第二階段多分支精分類模塊ThyroidDetⅡ提出了一種多分支精分類網絡來整合面向多視圖診斷的特征，其中每個網絡分支捕獲和增強醫生通常使用的一組特定特征，進行結節的精分類。本發明專利技術方案有效減少了小尺寸結節的漏檢率，降低了對有挑戰性結節的錯檢率，提高了檢測的準確率，極大程度地減少醫療診斷過程中的主觀判斷誤差。
【技術實現步驟摘要】
本專利技術涉及深度學習領域和醫學領域，更具體的說，涉及一種基于先驗知識引導的超聲圖像甲狀腺結節檢測裝置。
技術介紹
1、甲狀腺結節是一種發病率很高的內分泌疾病，有良惡性結節之分，如果惡性結節不被及時診斷和治療，這類結節有可能會進一步惡化，影響患者的生命安全。超聲檢查是用于甲狀腺結節評估一個非常重要的工具，能夠獲取患者甲狀腺結節的邊界、形態及回聲等信息，為患者的進一步治療提供支持。但由于醫師通常根據超聲圖像中結節的超聲特征進行診斷，這相對主觀，高度依賴于醫師的臨床經驗，容易出現誤診、漏診的情況。
2、深度學習模型，尤其是卷積神經網絡(cnn)，在各種視覺識別任務中顯示出優于傳統學習方法的主要性能。盡管現有的深度學習方法通常比傳統方法更為強大，但其在診斷性能上仍存在一定局限性。與大多數依賴手工特征的傳統方法類似，現有的深度學習方法往往對自然圖像和醫學圖像一視同仁，直接使用通用的cnn模型進行甲狀腺結節分類。這種方式忽略了與醫療診斷特定任務相關的重要領域知識和專家經驗，存在操作不當的問題。
3、為了解決這一挑戰，許多計算機輔助診斷(cad)系統被提出用于甲狀腺結節的自動客觀分類。通常，cad系統包含三個基本組成部分，即結節檢測，特征提取和分類器構建。傳統方法通常預先定義醫生的結節位置，然后提取手工制作的特征(例如，紋理和形態特征)，并構建分類器。然而，由于甲狀腺結節的形狀、大小和內部特征存在差異，傳統cad方法所采用的低級手工特征由于其固有的簡單性和局部性，判別能力有限，存在結節漏檢、過檢的難題。
/>技術實現思路
1、為解決現有技術中存在的缺陷，提出一種基于先驗知識引導的超聲圖像甲狀腺結節檢測裝置，包括結節多尺度粗檢測模塊thyroiddetⅰ，結節多分支精分類模塊thyroiddetⅱ：
2、結節多尺度粗檢測模塊thyroiddetⅰ：構建一個金字塔網絡來檢測不同尺度的結節，其中設計了一個自頂向下的模塊，將高級語義信息與低級特征圖集成，用于小結節檢測。此外，為了進一步提高檢測性能，本專利技術參考一個重要的先驗約束，即結節大小和形狀的真實分布，在提案生成中設計每個特征尺度的可靠錨點，以便更好地錨定框。先驗知識有助于優化提案的初始化和過濾，從而實現更精確的檢測。區域提議由關于實際結節大小和形狀分布的先驗知識進行訓練，進行結節的粗檢測；
3、結節多分支精分類模塊thyroiddetⅱ：提出了一種多分支精分類網絡來整合面向多視圖診斷的特征，其中每個網絡分支捕獲和增強醫生通常使用的一組特定特征，實現對結節的精分類。具體來說，除了從輸入補丁中提取語義特征的基本分支外，多分支網絡還集成了上下文分支，以提取與惡性結節密切相關的增強上下文特征。此外，引入了一種寬高比保持策略來處理輸入圖像塊，該策略可以在調整大小中保留結節的寬高比以獲得更好的分類性能；
4、基于先驗知識引導的超聲圖像甲狀腺結節檢測裝置首先通過結節多尺度粗檢測模塊thyroiddetⅰ進行結節的粗檢測，然后通過結節多分支精分類模塊thyroiddetⅱ進行結節的精分類。
5、所述的結節多尺度粗檢測模塊thyroiddetⅰ的具體實現過程如下：
6、1)使用resnet-50作為檢測網絡的主干。它由一個卷積層(即使用7×7核的conv1)和四個殘差塊(即conv2_x到conv5_x)組成，conv2_x到conv5_x分別具有3、4、6和3個構建塊。每個構建塊分別包含3個卷積層，分別使用1×1、3×3和1×1核。它們中的每一個后面都是一個最大池化層，以2的比例因子對特征圖進行下采樣。因此，與fpn類似，這里的主干形成了一個自下而上的路徑，它通過逐漸增加的抽象來計算金字塔特征層次結構，但空間分辨率降低。conv2_x到conv5_x分別具有3、4、6和3個構建塊。每個構建塊分別包含3個卷積層，分別使用1×1、3×3和1×1核。
7、2)為了準確地檢測不同大小的目標，本專利技術設計了一種自上而下的融合模塊，將高級主干特征與低級主干特征分層融合，然后使用不同尺度合并的特征檢測不同大小的對象。具體來說，從conv2_x到conv5_x，自上而下的融合模塊在任何兩個相鄰塊之間注入。在每個融合模塊中，使用卷積層將高級特征圖上采樣2倍，然后將其與轉移的特征圖連接起來(通過1×1卷積)低級特征圖。連接的特征圖最終由3×3卷積層處理，以生成具有減少混疊效應的融合特征圖，以檢測該特定尺度上的對象。通過這種方式，本專利技術提出的網絡產生了五個不同尺度的區域提議(即conv2_x、conv3_x、conv4_x、conv5_x和pool5)，其中，五個特征圖尺寸為原始輸入大小的1/4、1/8、1/16、1/32和1/64，分別在寬度、高度以及相應的特征圖上，這些區域提議最終被送到r-cnn塊中以檢測不同大小的結節。
8、3)受先驗知識限制的檢測錨點：本專利技術的多尺度檢測網絡使用具有設計尺寸和寬高比(即高度除以寬度)的錨點來預測對象檢測的區域提議。本專利技術提前統計訓練數據集中結節尺寸高寬比分布，結果如圖4所示。從圖4中，有兩個觀察結果：(1)訓練集所有結節的高寬比范圍為(0.2，2.5)，也就是說實驗的默認anchor高寬比范圍也是(0.2，2.5)；(2)結節尺寸越大其對應的高寬比越小，這說明著底層定義的高寬比的范圍應該比頂層定義的高寬比范圍更大。因此，為了保證區域提議的大小和形狀與真實結節分布一致，將較低特征映射的錨盒約束為更小的尺寸和比較高的特征圖更大的寬高比。總的來說，在每個特征圖位置生成具有1個可選尺寸(32，64，128，256，512)和對應的3個可選高寬比((0.4，1.0，2.5)，(0.4，1.0，2.5)，(0.5，1.0，2.0)，(0.7，1.0，1.5)，(0.7，1.0，1.5))的錨框。在不同特征尺度空間下定義的錨框大小和寬高比，可以很好地覆蓋當前圖像中的不同結節大小。因此，基于關于高寬比和尺寸大小的先驗知識甲狀腺結節，可以有效提高區域提議對自動結節檢測的輔助性。
9、所述的結節多分支精分類模塊thyroiddetⅱ的具體實現過程如下：
10、結節多尺度粗檢測模塊thyroiddetⅰ產生的分類結果相對粗糙，考慮到提案分類僅作為補充任務，以幫助第一步檢測結節的主要任務。但是，這些分類結果仍然提供了有價值的診斷建議。結節多尺度粗檢測模塊thyroiddetⅰ錯誤分類的樣本可能具有挑戰性結節，這些結節不能很好地與那些主要學習進行結節檢測的相對診斷弱的特征區分開來。為了進一步提高診斷性能，需要一個更復雜的分類網絡，其中應包括放射科醫生的觀點和注意力(特別是在診斷具有挑戰性的結節時)，以指導學習更多判別性特征以進行自動結節識別。本專利技術提出了一個多分支精分類模塊thyroiddetⅱ來學習面向多視圖分類的特征，進行結節的精分類。
11、具體來說，多分支精分類thyroiddetⅱ采用兩個互補分支，根據醫生的注意力，從不同區域學習結節的多視圖特征。多分支本文檔來自技高網...
【技術保護點】
1.一種基于先驗知識引導的超聲圖像甲狀腺結節檢測裝置，其特征在于：包括結節多尺度粗檢測模塊ThyroidDetⅠ，結節多分支精分類模塊ThyroidDetⅡ；其中：
2.根據權利要求1所述的基于先驗知識引導的超聲圖像甲狀腺結節檢測裝置，其特征在于，所述的結節多尺度粗檢測模塊ThyroidDetⅠ的具體實現過程如下：
3.根據權利要求1所述的基于先驗知識引導的超聲圖像甲狀腺結節檢測裝置，其特征在于，所述的結節多分支精分類模塊ThyroidDetⅡ的具體實現過程如下：
4.根據權利要求1所述的基于先驗知識引導的超聲圖像甲狀腺結節檢測裝置，其特征在于，所述的端到端區域提議和結節檢測的多任務損失函數定義如下：
【技術特征摘要】
1.一種基于先驗知識引導的超聲圖像甲狀腺結節檢測裝置，其特征在于：包括結節多尺度粗檢測模塊thyroiddetⅰ，結節多分支精分類模塊thyroiddetⅱ；其中：
2.根據權利要求1所述的基于先驗知識引導的超聲圖像甲狀腺結節檢測裝置，其特征在于，所述的結節多尺度粗檢測模塊thyroiddetⅰ的具體實現過程...
【專利技術屬性】
技術研發人員：王晶晶，劉博，周付根，
申請(專利權)人：北京航空航天大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。