基于超声图像的肝纤维化分期诊断方法研究

这是一篇关于肝纤维化,超声图像,多尺度特征提取,神经网络,特征融合的论文, 主要内容为肝纤维化是比较严重的肝功能疾病,若不及时治疗可发展为肝硬化甚至引发死亡。有研究表明,早期肝纤维化是可被治愈的,因此,纤维化和肝硬化的早期发现和准确分期对于早期诊断和及时启动适当的治疗方案至关重要。肝活检是诊断肝纤维化的“金标准”,但由于其具有创伤性,对病人的身体有一定的损伤,临床使用受到一定的限制。超声图像由于价格低廉和无创性受到广泛的使用,临床医生通过观察超声图像纹理的粗糙程度来判断肝纤维化的等级,这种方式由于主观性容易造成误判。因此,本文以超声肝纤维化图像为研究对象,利用当前热门的深度学习相关技术对超声肝纤维化图像分类方法进行研究。在图像预处理阶段,首先,针对原始图像中存在非超声成像区域,设计自动提取超声成像区域算法,排除干扰区域对超声肝纤维化图像分类的影响。其次,针对部分图像中存在大量阴影噪声,采用Zero-DCE图像增强技术对图像进行去噪处理;同时,针对肝实质区域难以提取的问题,进行手动提取肝实质;最后,针对超声肝纤维化数据集较少的问题,采用图像几何变换等方法进行数据扩充。在超声肝纤维化图像分类阶段,使用了Res Net50、Mobile Net V2和Efficient Net V2-S等3种不同的分类模型完成早期、中期和晚期超声肝纤维化图像分类任务,使用4种评价指标对模型进行多维度、系统的分析评估。实验结果表明,基于Efficient Net V2-S的分类模型在超声肝纤维化图像分类任务中具备良好的分类性能,其准确率达到了70%,且早期、中期和晚期肝纤维化的F1-Score性能指标分别为80.65%、54.17%、72.11%。为了进一步提升模型的分类性能,提出了一种改进模型Efficient Net V2-BCH的超声肝纤维化图像分类模型。首先,针对肝纤维化病变细节信息难以提取问题,设计特征金字塔分支来融合图像中不同尺度的特征;其次,针对超声图像中相邻的两个肝纤维化病变阶段差异性不显著问题,提取Canny边缘检测和Haar小波变换特征图分别与Bi FPN分支进行特征融合,最后与主干网络Efficient Net V2-S进行多尺度多特征融合。实验结果表明,改进模型Efficient Net V2-BCH分类准确率能达到89.41%,相较于原始模型Efficient Net V2-S准确率提高了19%;早期、中期和晚期肝纤维化的召回率分别提升了10%、36%和13%;早期、中期和晚期肝纤维化的F1-Score分别提升了11%、33%和13%。

基于改进TransUNet的超声乳腺肿瘤良恶性分类与分割算法研究

这是一篇关于超声图像,乳腺肿瘤,分类分割,EfficientNet-V2,TransUNet的论文, 主要内容为2020年全球乳腺肿瘤发病率及致死率创新高。在传统的超声检查中,主要依靠医生结合专业知识及经验来判断肿瘤病变,存在较强的主观性。深度学习已成为辅助医疗图像分析的研究趋势。本文拟研究一种基于改进Trans UNet的超声乳腺肿瘤良恶性分类与分割算法。首先,针对病程分类任务,本文进行了五种基础的分类实验对比分析,结果表明,EfficientNet-V2验证集精度最高,达到93.49%,且模型最小,仅82.6M,故选取Efficient Net-V2作为超声乳腺肿瘤良恶性分类模型。为得到具体的乳腺肿瘤病变区域,本文在分类的基础上进行了良恶性区域的分割实验。其次,针对病变区域分割任务,本文进行了六种基础的分割实验对比分析,结果表明,TransUNet在验证集的精度最高,IoU(Intersection of Union)为76.71%,Dice为84.77%,模型大小为150M。但仍存在模型较大、边缘分割效果不佳的难点。针对上述模型分割的难点,本文通过多种骨干网络设计模型进行实验对比分析,结果表明:以EfficientNet-V2作为TransUNet的骨干网络的模型,精度达81.11%,模型大小为102M,实现了轻量化的目的;通过多种注意力机制设计模型进行实验对比分析,结果表明:以ACMix混合注意力机制代替原始单一的Transformer自注意力机制,精度达83.2%,实现细化边缘分割精度的目的;通过采用CARAFE(Channel Attention Replenished by Adaptive Feature Enhancement)上采样设计代替传统上采样,进行消融实验对比分析,消融实验结果表明:本文最终改进算法在验证集上Io U为84.74%,Dice为90.7%,模型大小为105M,相较原始Trans UNet分割算法,Io U精度提升8%,Dice提升约6%,模型减小45M,提升显著,验证了本文算法改进的有效性。综上所述,本文的超声乳腺肿瘤病程分类与病变区域的相关实验分析,最终改进算法能有效进行超声乳腺肿瘤的分类与分割辅助诊断,具备潜在的临床应用价值。

基于多阶U-Net的超声甲状腺及结节分割方法研究

这是一篇关于超声图像,甲状腺,甲状腺结节,图像分割,多阶U-Net的论文, 主要内容为甲状腺是位于颈前部的蝶状内分泌器官,具有调控新陈代谢、促进生长发育等作用。近年来,随着甲状腺疾病发病率的持续上升,其逐渐成为一种高发疾病,早期的发现与诊断是治疗的关键。超声图像诊断技术因其实时、廉价、便捷以及无创等优势,成为甲状腺疾病检查的首选方法。甲状腺腺体大小可用于分析甲状腺激素的分泌状况,是甲状腺异常诊断的重要特征之一。另一方面,甲状腺结节的形状与大小是临床中甲状腺结节良恶性诊断的重要依据。因此,实现超声甲状腺腺体以及甲状腺结节的精准分割,可以更准确地描述出甲状腺病变区域及周围组织,对有效诊断甲状腺病变具有重要临床意义。然而超声图像存在斑点噪声且对比度较低、甲状腺及结节形态尺寸多变且边缘模糊,因此甲状腺与甲状腺结节的精准分割存在一定难度。针对上述问题,本文提出了一种基于多阶U-Net的深度卷积网络模型,用于实现甲状腺腺体和甲状腺结节的自动分割。首先,使用限制对比度自适应直方图均衡化以提升图像对比度并利用双边滤波器对超声图像进行降噪处理。随后,设计了一种基于多阶U-Net的深度卷积网络模型,该模型以U-Net为基本网络框架,通过在解码路径进行进一步的特征提取,形成多阶深度相同的U-Net以不断递进的连接方式来克服图像噪声影响从而实现图像边缘的深度信息提取。同时,在模型中使用了一种多尺度残差卷积模块增强对不同尺度对象的分割能力,进一步提升分割精度。最后,在网络训练过程中使用了融合二值交叉熵的类Dice损失函数保证模型收敛速度和预测的鲁棒性。通过多次对比实验表明,基于多阶U-Net的深度卷积网络模型在甲状腺与甲状腺结节超声图像上的分割Dice系数分别达到0.7712、0.8347,Io U分别达到0.6713、0.7450,Precision分别达到0.8289、0.8668,Recall分别达到0.7817、0.8534。所有分割指标相较于其它常见基线算法均能够实现更优的分割结果,具有一定的临床应用价值。

基于半监督的医学图像分割方法研究

这是一篇关于半监督学习,主动学习,超声图像,图像分割,自编码器的论文, 主要内容为医学图像分割技术是临床医疗的一种主要辅助方法,但对于医学图像来说,标注数据的获取通常是昂贵的。与自然图像相比,医学图像在分割任务中需要专业医生对其进行筛选和标注,尤其是含有多个器官组织的图像。为了减轻标记人员的工作量,近年来人们提出了许多半监督的学习方法,在减少标记样本数量的同时获得高性能的机器学习模型。另一方面,半监督学习利用少量标注数据和大量未标注数据的学习方式更加符合临床的实际需求,所以在医学图像分割任务中使用半监督的学习方法是一种符合实际且有前景的研究方向。本文将对医学图像分割具有显著效果的U-Net模型作为研究方法的基础模型。通过三个方面对半监督分割方法进行研究,同时选取乳腺肿瘤超声数据集,关节炎软骨切面超声数据集和甲状腺结节超声数据集进行训练和验证。本文主要做了以下工作:(1)设计了弱标注编码器,将弱标注编码器与U-Net网络进行结合,使神经网络更大程度上关注图像中弱标注框内的区域,采用半监督Mean Teacher方法进行模型训练得到能够生成高质量伪标签的辅助分割模型,并利用伪标签训练进一步得到分割的主模型。主模型的分割性能与通过全监督训练方式得到的模型性能相近,但整个过程只需要对数据集进行弱标注和极少量样本的像素级全标注,不足之处在于有标记数据集的随机选取和两阶段训练过程。(2)提出了基于主动学习的半监督医学图像分割框架,目的在于有针对性地选取有标记数据集。根据主动学习的特点设计了自编码器对训练数据进行特征提取,并通过特征聚类和熵排序的方式挑选出需要进行标注的初始数据集,之后与半监督方法进行结合,提出了基于不确定性去重的查询策略用于不断更新有标记数据集。大量的实验证明了该框架能够进行合适的标记样本选取,在标记数据集的样本数量较少时可以显著的提高模型性能,并能够与任何半监督方法进行有效结合具有普适性。(3)对交叉伪监督的半监督方法进行改进,将该方法应用于医学图像的分割任务中,并将改进后的方法和特别设计的损失函数将工作(1)的内容优化为端到端的训练任务,减少了模型训练时的复杂度。最后,通过将该方法与工作(2)中的框架进行结合,进一步提升了模型的分割性能。

基于多任务学习的甲状腺超声图像结节分割方法研究

这是一篇关于医学图像,卷积神经网络,超声图像,图像分割,甲状腺的论文, 主要内容为医学图像分割是医学处理领域的重要子方向,训练出高性能的深度图像分割模型是获得良好的医学图像病灶分割结果的关键所在。由于医学图像成像过程复杂,并且具有低对比度和噪声严重等特点。特别是超声图像这种利用超声反射原理形成的图像,其形成过程更加不稳定,这些特点就极大地增加了深度学习在医学图像领域广泛应用的难度。相比于自然图像来说,医学图像难以获取,标注成本也远大于自然图像。当数据匮乏的时候,神经网络的训练通常会出现过拟合的状况,这种现象在医学图像领域数据集上极易出现,这也无疑成为了限制医学处理领域的发展。基于以上背景,本文从超声图像出发,以甲状腺结节为研究对象,利用深度学习在甲状腺超声图像结节分割任务上开展一系列创新性研究,提出了以下研究方案:1.目前在超声图像甲状腺结节分割任务上的研究通常会出现甲状腺边界区域分割不精细或者被过度分割的问题,这是由于超声图像这种模态特定性质造成的。针对这种问题,本文提出了基于多尺度注意力的甲状腺结节超声分割方法。该方法首先通过使用不同空洞率的空洞卷积提取甲状腺病灶特征信息,之后将不同尺度的特征信息进行特征融合,解决不同甲状腺结节大小对超声图像分割的影响。考虑到位置关系信息学习和深层次语义特征筛选后的特征对分割模型的影响,通过使用通道注意力机制使网络模型更加专注于更有用的特征信息,从而提高甲状腺结点的分割精度,实现病灶区域的精细分割。本文在TN3k数据集上训练所提出的模型,并在本地合作医院的数据集验证所提出的模型,MSAU-Net模型有非常优秀的分割效果,并且其召回率为87.0%,精密度为86.1%,Dice系数为84.6%,精确度为94.6%。2.由于大多数在医学图像分割上的研究都是通过人工提取ROI的数据集上,这样做难免会丢失部分有用的特征,使得训练出的模型不具有泛化性。针对这一现状,本文采用先检测后分割的思路,通过利用改进的Faster R-CNN提取甲状腺结节的ROI,然后采用U-Net进行分割。提出的网络包含检测和分割两个路径,首先利用VGG-19提取出不同分辨率的特征,利用特征金字塔的思想将不同分辨率的特征利用特定的网络处理,以获取不同尺寸结节的特征,使本文提出的模型适用于不同尺寸结节的分割,更加具有泛化性。并将检测路径提取的多分辨率特征与分割融合,从而生成更加精细的甲状腺结节。本文将未经处理的数据集在提出的DSU-Net上进行训练,并且在处理过后的合作医院数据集上进行训练。结果表明,提出的DSU-Net更能够获取出泛化性的特征,先检测后分割的思路能够更进一步提高模型的分割性能。

基于深度学习模型的甲状腺结节超声图像良恶性识别系统的设计与实现

这是一篇关于深度学习,YOLOv5,超声图像,甲状腺结节,良恶性识别的论文, 主要内容为随着现代生活节奏逐渐加快,人们生活压力逐渐增大,甲状腺结节疾病的发病率日渐增多,严重影响了人们的日常生活和身体健康。在甲状腺结节的临床诊断阶段,超声检测凭借对人体伤害小、成本低等优势成为甲状腺结检测的首选方法,但通过超声采集的甲状腺结节超声图存在内部特征不明显、边界模糊、外观尺度多样等问题,这些给医生的临床识别筛查带来一定影响,进而增大误诊以及诊断结果不一致的风险,导致过度治疗等医疗事故的发生。随着人工智能技术不断发展,深度学习在超声图检测方面取得了巨大进展。基于超声图构建检测模型实现对甲状腺结节的检测和良恶性分类,能辅助医生诊断,提高工作效率,减少人为误诊。为了解决甲状腺超声图像采集困难、超声数据集数据量过小以及影像中存在噪声严重、尺度多样等问题,因此本课题通过改进YOLOv5算法提高了对甲状腺结节超声图良恶性识别精度,同时设计系统并进行部署。本文首先对甲状腺结节超声图数据集进行整理。其次,构建甲状腺超声图中的结节检测与分类模型。最后,围绕甲状腺超声图设计结节检测与分类系统。主要内容如下:(1)在YOLOv5目标检测算法的基础上提出甲状腺结节检测算法,包括将卷积层中Si LU激活函数替换为FRe LU,FRe LU引入了感受野,能增强激活空间的敏感度,提高对不规则结节检测能力。同时在主干中加入ECA注意力模块,以解决在卷积池化过程中特征图的不同通道所占的重要性不同带来的损失问题,赋予不同待关注区域不同的权重,进而能抑制超声图噪声,有侧重点地对结节进行特征提取。然后将PANet替换为Bi FPN特征融合网络,特征图中低层能获得更多位置、细节信息,高层能获得更多语义信息,Bi FPN增加了跳跃连接和权重信息,这种多尺度特征融合能增强对不同大小结节的检测能力。(2)对收集的数据集进行整理,最终形成包括2841张图像的数据集。再对所有图像通过双边滤波进行锐化处理,凸显结节的边缘和细节特征。在实验中,使用召回率、精准率和m AP作为评估指标。通过实验验证所提方法对于甲状腺超声图像中结节的检测和识别的有效性,在YOLOv5模型的基础上m AP提高了4.4%,达到了74.8%。(3)基于本文提出的超声图中的结节检测模型,开发部署了一个超声甲状腺结节检测与分类系统,经过系统的测试,各项功能均可正常运行,以有效辅助医生对甲状腺超声图中的结节进行初步诊断。

基于超声图像的肝纤维化分期诊断方法研究

这是一篇关于肝纤维化,超声图像,多尺度特征提取,神经网络,特征融合的论文, 主要内容为肝纤维化是比较严重的肝功能疾病,若不及时治疗可发展为肝硬化甚至引发死亡。有研究表明,早期肝纤维化是可被治愈的,因此,纤维化和肝硬化的早期发现和准确分期对于早期诊断和及时启动适当的治疗方案至关重要。肝活检是诊断肝纤维化的“金标准”,但由于其具有创伤性,对病人的身体有一定的损伤,临床使用受到一定的限制。超声图像由于价格低廉和无创性受到广泛的使用,临床医生通过观察超声图像纹理的粗糙程度来判断肝纤维化的等级,这种方式由于主观性容易造成误判。因此,本文以超声肝纤维化图像为研究对象,利用当前热门的深度学习相关技术对超声肝纤维化图像分类方法进行研究。在图像预处理阶段,首先,针对原始图像中存在非超声成像区域,设计自动提取超声成像区域算法,排除干扰区域对超声肝纤维化图像分类的影响。其次,针对部分图像中存在大量阴影噪声,采用Zero-DCE图像增强技术对图像进行去噪处理;同时,针对肝实质区域难以提取的问题,进行手动提取肝实质;最后,针对超声肝纤维化数据集较少的问题,采用图像几何变换等方法进行数据扩充。在超声肝纤维化图像分类阶段,使用了Res Net50、Mobile Net V2和Efficient Net V2-S等3种不同的分类模型完成早期、中期和晚期超声肝纤维化图像分类任务,使用4种评价指标对模型进行多维度、系统的分析评估。实验结果表明,基于Efficient Net V2-S的分类模型在超声肝纤维化图像分类任务中具备良好的分类性能,其准确率达到了70%,且早期、中期和晚期肝纤维化的F1-Score性能指标分别为80.65%、54.17%、72.11%。为了进一步提升模型的分类性能,提出了一种改进模型Efficient Net V2-BCH的超声肝纤维化图像分类模型。首先,针对肝纤维化病变细节信息难以提取问题,设计特征金字塔分支来融合图像中不同尺度的特征;其次,针对超声图像中相邻的两个肝纤维化病变阶段差异性不显著问题,提取Canny边缘检测和Haar小波变换特征图分别与Bi FPN分支进行特征融合,最后与主干网络Efficient Net V2-S进行多尺度多特征融合。实验结果表明,改进模型Efficient Net V2-BCH分类准确率能达到89.41%,相较于原始模型Efficient Net V2-S准确率提高了19%;早期、中期和晚期肝纤维化的召回率分别提升了10%、36%和13%;早期、中期和晚期肝纤维化的F1-Score分别提升了11%、33%和13%。

基于多阶U-Net的超声甲状腺及结节分割方法研究

这是一篇关于超声图像,甲状腺,甲状腺结节,图像分割,多阶U-Net的论文, 主要内容为甲状腺是位于颈前部的蝶状内分泌器官,具有调控新陈代谢、促进生长发育等作用。近年来,随着甲状腺疾病发病率的持续上升,其逐渐成为一种高发疾病,早期的发现与诊断是治疗的关键。超声图像诊断技术因其实时、廉价、便捷以及无创等优势,成为甲状腺疾病检查的首选方法。甲状腺腺体大小可用于分析甲状腺激素的分泌状况,是甲状腺异常诊断的重要特征之一。另一方面,甲状腺结节的形状与大小是临床中甲状腺结节良恶性诊断的重要依据。因此,实现超声甲状腺腺体以及甲状腺结节的精准分割,可以更准确地描述出甲状腺病变区域及周围组织,对有效诊断甲状腺病变具有重要临床意义。然而超声图像存在斑点噪声且对比度较低、甲状腺及结节形态尺寸多变且边缘模糊,因此甲状腺与甲状腺结节的精准分割存在一定难度。针对上述问题,本文提出了一种基于多阶U-Net的深度卷积网络模型,用于实现甲状腺腺体和甲状腺结节的自动分割。首先,使用限制对比度自适应直方图均衡化以提升图像对比度并利用双边滤波器对超声图像进行降噪处理。随后,设计了一种基于多阶U-Net的深度卷积网络模型,该模型以U-Net为基本网络框架,通过在解码路径进行进一步的特征提取,形成多阶深度相同的U-Net以不断递进的连接方式来克服图像噪声影响从而实现图像边缘的深度信息提取。同时,在模型中使用了一种多尺度残差卷积模块增强对不同尺度对象的分割能力,进一步提升分割精度。最后,在网络训练过程中使用了融合二值交叉熵的类Dice损失函数保证模型收敛速度和预测的鲁棒性。通过多次对比实验表明,基于多阶U-Net的深度卷积网络模型在甲状腺与甲状腺结节超声图像上的分割Dice系数分别达到0.7712、0.8347,Io U分别达到0.6713、0.7450,Precision分别达到0.8289、0.8668,Recall分别达到0.7817、0.8534。所有分割指标相较于其它常见基线算法均能够实现更优的分割结果,具有一定的临床应用价值。

甲状腺结节图像分割与分类算法研究

这是一篇关于甲状腺结节,专家知识,超声图像,结节分割,结节分类的论文, 主要内容为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: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。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m PA、Dice和MIo U分别达到了93.27%、92.97%和87.25%。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%。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。