CN111553919B - 一种基于弹性超声成像的甲状腺结节分析系统 - Google Patents

一种基于弹性超声成像的甲状腺结节分析系统 Download PDF

Info

Publication number
CN111553919B
CN111553919B CN202010398347.1A CN202010398347A CN111553919B CN 111553919 B CN111553919 B CN 111553919B CN 202010398347 A CN202010398347 A CN 202010398347A CN 111553919 B CN111553919 B CN 111553919B
Authority
CN
China
Prior art keywords
image
nodule
thyroid nodule
thyroid
edge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010398347.1A
Other languages
English (en)
Other versions
CN111553919A (zh
Inventor
朱瑞星
徐小燕
刘西耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Shenzhi Information Technology Co ltd
Original Assignee
Shanghai Shenzhi Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Shenzhi Information Technology Co ltd filed Critical Shanghai Shenzhi Information Technology Co ltd
Priority to CN202010398347.1A priority Critical patent/CN111553919B/zh
Publication of CN111553919A publication Critical patent/CN111553919A/zh
Application granted granted Critical
Publication of CN111553919B publication Critical patent/CN111553919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/485—Diagnostic techniques involving measuring strain or elastic properties
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于弹性超声成像的甲状腺结节分析系统，涉及计算机辅助分析技术领域，包括：数据获取模块，对获取弹性超声图像进行甲状腺结节选取得到甲状腺结节图像；边缘识别模块，对甲状腺结节图像进行边缘识别得到结节边缘图像；特征分析模块，分别对甲状腺结节图像和结节边缘图像进行特征分析得到若干图像特征参数；特征选择模块，分别计算图像特征参数的类间距离，并将各类间距离加入一类间距序列；结节分析模块，提取排序靠前的预设数量的类间距离的图像特征参数，将图像特征参数作为输入，结节状态作为输出，训练得到一甲状腺结节状态识别模型，以供后续甲状腺结节状态识别使用。有益效果是有效提升甲状腺结节状态识别的准确性。

Description

一种基于弹性超声成像的甲状腺结节分析系统
技术领域
本发明涉及计算机辅助分析技术领域，尤其涉及一种基于弹性超声成像的甲状腺结节分析系统。
背景技术
甲状腺结节在临床中十分常见，通过高分辨率超声能够发现人群甲状腺的患病率。由于甲状腺结节的发病原因未知，只有尽早地发现、确诊，才能提高甲状腺的治愈率。超声成像具有无创、动态和廉价等特点，已成为甲状腺结节检查的首选方法。当前，甲状腺的诊断主要通过医生对图像的定性判别来完成。使用的特诊和诊断标准不同，缺乏对图像特征的定量度量，同时由于视觉感知上的差异导致不同医生对同一病例的诊断结果存在差异。
发明内容
针对现有技术中存在的问题，本发明提供一种基于弹性超声成像的甲状腺结节分析系统，具体包括：
数据获取模块，用于获取甲状腺部位的若干弹性超声图像，并分别对各所述弹性超声图像进行甲状腺结节选取，得到甲状腺结节图像；
边缘识别模块，连接所述数据获取模块，用于分别对各所述甲状腺结节图像进行边缘识别，得到各所述甲状腺结节图像的结节边缘图像；
特征分析模块，分别连接所述数据获取模块和所述边缘识别模块，所述特征分析模块包括：
第一分析单元，用于分别对各所述甲状腺结节图像进行特征分析，得到所述甲状腺结节图像对应的若干第一特征参数；
第二分析单元，用于分别对所述结节边缘图像进行特征分析，得到所述结节边缘图像对应的若干第二特征参数；
特征选择模块，连接所述特征分析模块，用于将各所述第一特征参数和各所述第二特征参数作为各所述弹性超声图像的图像特征参数，并针对每个所述图像特征参数，分别计算各所述图像特征参数的类间距离，并将得到的各所述类间距离按照从大到小的顺序加入一类间距序列；
结节分析模块，连接所述特征选择模块，用于提取所述类间距序列中排序靠前的预设数量的所述类间距离对应的所述图像特征参数，并将所述图像特征参数作为输入，所述图像特征参数对应的结节状态作为输出，训练得到一甲状腺结节状态识别模型，以供后续甲状腺结节状态识别使用。
优选的，所述第一特征参数包括所述结节边缘的圆形度，和/或不规则度，和/或纵横比，和/或平均方向值，和/或归一化径向长度的标准差，和/或归一化径向长度的粗糙度。
优选的，所述第二特征参数包括相对亮度，和/或钙化指数。
优选的，还包括一图像预处理模块，分别连接所述数据获取模块和所述边缘识别模块，所述图像预处理模块包括：
预处理单元，用于对所述甲状腺结节图像进行图像预处理得到预处理图像；
腐蚀处理单元，连接所述预处理单元，用于对所述预处理图像进行腐蚀处理得到腐蚀图像；
则所述边缘识别模块中的所述甲状腺结节图像包括所述预处理图像和所述腐蚀图像。
优选的，所述边缘识别模块通过对所述预处理图像和所述腐蚀图像进行差分计算得到所述结节边缘图像。
优选的，所述图像预处理包括对所述甲状腺结节图像进行图像降噪，随后进行二值化处理得到所述预处理图像。
优选的，所述特征选择模块包括：
图像分类单元，将各所述第一特征参数和各所述第二特征参数作为各所述弹性超声图像的图像特征参数，针对每个所述图像特征参数，分别将所述图像特征参数与预设的特征阈值进行比较，并在所述图像特征参数小于所述特征阈值时，将所述图像特征参数加入一第一类别集合，以及在所述图像特征参数不小于所述特征阈值时，将所述图像特征参数加入一第二类别集合；
每个所述图像特征参数分别对应一所述特征阈值；
第一计算单元，连接所述图像分类单元，用于分别计算得到所述第一类别集合中各所述图像特征参数的第一均值和第一方差，以及计算得到所述第二类别集合中的各所述图像特征参数的第二均值和第二方差；
第二计算单元，连接所述第一计算单元，用于根据所述第一均值、所述第一方差、所述第二均值和所述第二方差计算得到所述图像特征参数对应的所述类间距离，并将各所述类间距离按照从大到小的顺序加入一类间距序列。
优选的，针对每个所述图像特征参数，所述类间距离的计算公式如下：
Figure BDA0002488511180000041
其中，
D用于表示所述类间距离；
μxi用于表示所述第一均值；
μxj用于表示所述的第二均值；
σxi用于表示所述第一方差；
σxj用于表示所述第二方差。
优选的，所述甲状腺结节状态识别模型为多层循环神经网络模型。
上述技术方案具有如下优点或有益效果：通过将多个可用于辅助识别的图像特征参数进行特征选择得到的对甲状腺结节状态识别具有明显区分度的图像特征参数，用于甲状腺结节状态识别模型的训练，有效提升甲状腺结节状态识别的准确性。
附图说明
图1为本发明的较佳的实施例中，一种基于弹性超声成像的甲状腺结节分析系统的结构示意图；
图2为本发明的较佳的实施例中，膨胀处理结果和腐蚀处理结果的示意图；
图3为本发明的较佳的实施例中，结节边缘图像的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式，只要符合本发明的主旨，则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种基于弹性超声成像的甲状腺结节分析系统，如图1所示，具体包括：
数据获取模块1，用于获取甲状腺部位的若干弹性超声图像，并分别对各弹性超声图像进行甲状腺结节选取，得到甲状腺结节图像；
边缘识别模块2，连接数据获取模块1，用于分别对各甲状腺结节图像进行边缘识别，得到各甲状腺结节图像的结节边缘图像；
特征分析模块3，分别连接数据获取模块1和边缘识别模块2，特征分析模块3包括：
第一分析单元31，用于分别对各甲状腺结节图像进行特征分析，得到甲状腺结节图像对应的若干第一特征参数；
第二分析单元32，用于分别对结节边缘图像进行特征分析，得到结节边缘图像对应的若干第二特征参数；
特征选择模块4，连接特征分析模块3，用于将各第一特征参数和各第二特征参数作为各弹性超声图像的图像特征参数，并针对每个图像特征参数，分别计算各图像特征参数的类间距离，并将得到的各类间距离按照从大到小的顺序加入一类间距序列；
结节分析模块5，连接特征选择模块4，用于提取类间距序列中排序靠前的预设数量的类间距离对应的图像特征参数，并将图像特征参数作为输入，图像特征参数对应的结节状态作为输出，训练得到一甲状腺结节状态识别模型，以供后续甲状腺结节状态识别使用。
具体地，本实施例中，通过将多个可用于辅助识别的图像特征参数进行特征选择得到的对甲状腺结节状态识别具有明显区分度的图像特征参数，用于甲状腺结节状态识别模型的训练，有效提升甲状腺结节状态识别的准确性。
进一步具体地，首先对获取的甲状腺部位的弹性超声图像进行甲状腺结节选取，优选专业医生通过手动选取包含甲状腺结节的感兴趣区域进行标注得到甲状腺结节图像作为后续处理图像，随后对甲状腺结节图像进行边缘识别，以提取出甲状腺结节图像的边界得到结节边缘图像。
作为一个优选的实施例，在对甲状腺结节图像进行边缘识别之前，还包括对甲状腺结节图像进行图像预处理的过程，具体包括：首先对甲状腺结节图像进行图像降噪，随后进行二值化处理得到预处理图像I_Binary；进而使用半径为5像素的圆盘结构对甲状腺结节区域上的预处理图像I_Binary进行腐蚀处理，得到腐蚀图像I_Erosion。则通过将预处理图像I_Binary和腐蚀图像I_Erosion进行差分计算，得到结节边缘图像，具体如下述公式所示：
I_Edge＝I_Binary-I_Erosion
其中，I_Edge用于表示结节边缘图像，I_Binary用于表示预处理图像，I_Erosion用于表示腐蚀图像。
进一步地，通过对甲状腺结节图像进行特征分析能够得到甲状腺结节图像的第一特征参数，该第一特征参数包括但不限于相对亮度和钙化指数，其中，各第一特征参数的计算方法如下：
1)相对亮度
相对亮度为结节内部区域的灰度均值与结节外部区域的灰度均值的比值，因此首先需要确定甲状腺结节图像的结节内部区域和结节外部区域。
本实施例中，如图2所示，优选首先使用半径为12像素的圆盘结构对甲状腺结节的预处理图像进行膨胀处理，得到第一膨胀图像，同时使用半径为12像素的圆盘结构对甲状腺结节的预处理图像进行腐蚀处理，得到第一腐蚀图像；将预处理图像与得到的第一膨胀图像进行图像差分，得到图2中的最外围一圈围成的边界，将预处理图像与得到的第一腐蚀图像进行图像差分，得到图2中的最里面一圈围成的边界，图2中的中间一圈围成的边界是结点边缘图像，优选将图2中的最外围一圈围成的边界与图2中的中间一圈围成的边界之间的部分定义为上述结节外部区域，将图2中的最里面一圈围成的边界与图2中的中间一圈围成的边界之间的部分定义为上述结节内部区域。
其次，提取甲状腺结节图像中位于结节内部区域的各像素点，并计算结节内部区域的灰度均值，同时提取甲状腺结节图像中位于结节外部区域的各像素点，并计算结节外部区域的灰度均值，
则相对亮度的计算公式如下：
Figure BDA0002488511180000081
式中，RB表示相对亮度，u1表示结节内部区域的灰度均值，u2表示结节外部区域的灰度均值。
2)钙化指数
在甲状腺结节图像上，通过对甲状腺结节图像进行特征分析，提取甲状腺结节图像中的强光点和微钙化点，其中，定义钙化度不大于1100μ的像素点作为强光点，上述强光点和微钙化点的筛选过程为常规方法，此处不再赘述。
设钙化度不大于1100μ的强光点内像素个数ν1，微钙化点的个数为n，甲状腺结节图像中像素点总数为v，则钙化指数Cal的计算公式为：
Figure BDA0002488511180000082
一般情况下，恶性组中钙化检出率明显高于良性，而且大部分为微钙化。
进一步地，由于良性结节的形状主要是圆形、椭圆形，而恶性结节形状往往是不规则的，因此在获取上述结节边缘图像后，通过对结节边缘图像进行特征分析能够得到结节边缘图像对应的第二特征参数，上述第二特征参数包括但不限于圆形度，不规则度，纵横比，平均方向值，归一化径向长度的标准差，归一化径向长度的粗糙度。
具体地，各第二特征参数的计算方法如下：
1)圆形度
圆形度的计算公式如下：
Figure BDA0002488511180000091
其中，E用于表示圆形度，S用于表示结节边缘图像轮廓所围的所有像素点个数，L用于表示结节边缘图像轮廓集合中像素点的个数。
上述圆形度是在周长和面积的基础上反映结节形态的图像特征参数，边缘越平滑，结节形状越接近于圆形，E值越大，则表示结节边缘图像对应的甲状腺结节是良性结节的可能性就越大，最大值为1，反之则结节为恶性的可能性就越大。
2)不规则度
不规则度的计算公式如下：
Figure BDA0002488511180000092
其中，Irr用于表示不规则度，S1用于表示结节边缘图像轮廓所围的区域面积，S2用于表示结节边缘图像轮廓的最大外接圆的面积。
上述不规则度用来度量甲状腺结节的结节形状的不规则程度，比值越接近1，说明结节区域越接近规则圆形。
3)纵横比
纵横比的计算公式如下：
Figure BDA0002488511180000101
其中，DWR用于表示纵横比，Depth用于表示结节边缘图像外接矩形框的长度，Width用于表示结节边缘图像外接矩形框的宽度。
上述纵横比(Depth-WidthRatio，DWR)也是临床中甲状腺结节超声检查中常用的一个特征，它在一定程度上反映了甲状腺结节的生长情况。通常认为如果纵横比小于1，则甲状腺结节为良性的程度较高，反之，则为恶性的程度较大。
4)平均方向值
平均方向值的计算公式如下：
Figure BDA0002488511180000102
其中，A用于表示纵横比，αi用于表示结节边缘图像中任意像素与其相邻像素之间的夹角，N用于表示结节边缘图像中所有像素的总个数。
上述平均方向值主要用来反映结节边缘的光滑程度，边缘越光滑，平均方向值越小，反之越大。
5)归一化径向长度的标准差
归一化径向长度的标准差的计算过程如下，如图3所示，结节的径向长度为结节边缘图像中结节区域的质心到边缘的距离，归一化径向长度则是将径向长度进行归一化处理后的值，如下所示：
Figure BDA0002488511180000111
式中，(x0,y0)是结节边缘图像的质心坐标，(xi,yi)是结节边缘图像的边缘上第i点的坐标，N为结节边缘图像的结节边缘上像素点的总个数，max(d(i))是各径向长度中的最大值。因此，归一化径向长度的平均值dave和归一化径向长度的标准差dstd，可分别由下式计算得出：
Figure BDA0002488511180000112
Figure BDA0002488511180000113
归一化径向长度的均值和标准差主要表示结节形状是否规则以及结节边缘情况。一般情况下，恶性甲状腺结节形状较不规则，边缘较模糊，而且多有角状突起，良性结节反之。而归一化径向长度的标准差就是从宏观上反映结节边缘轮廓与圆之间的相似性，标准差越小目标越近似于圆，结节为良性的概率较大，反之，则为恶性结节的概率就大。
6)归一化径向长度的粗糙度
归一化径向长度的粗糙度是由结节边缘上相邻两点的归一化径向长度之差的绝对值在一定方向上进行求和再取平均值，本发明选取为顺时针方向，则粗糙度R的计算公式为：
Figure BDA0002488511180000121
很显然，结节边缘越粗糙或者说毛刺越多，粗糙度就会越大，则为恶性结节的可能性就越大。
作为本发明的一个优选的实施例，在分别对甲状腺结节图像和结节边缘图像分别进行特征分析得到上述8项图像特征参数后，需要进一步进行特征选择，特征选择是为了能够更好地对超声图像进行分类，排除那些对甲状腺结节识别影响较少或者没有影响的特征，以达到减少运算量、降低特征输入维数的目的，达到较好的识别效果。本实施例中，采用计算类间距离的方法，统计各个特征量不同类别的均值和方差，并在此基础上计算出类间距离。类间距离越大，则表示该特征对分类识别的能力越强。本实施例中，优选选取类间距离排名前4的图像特征参数参与后续处理。
最后，通过选择出的4个图像特征参数作为神经网络的输入进行训练，得到甲状腺结节状态识别模型，该甲状腺结节状态识别模型优选为多层循环神经网络模型，为二分类函数，从而后续通过该甲状腺结节状态识别模型确认出甲状腺结节的状态。
本发明的较佳的实施例中，第一特征参数包括结节边缘的圆形度，和/或不规则度，和/或纵横比，和/或平均方向值，和/或归一化径向长度的标准差，和/或归一化径向长度的粗糙度。
本发明的较佳的实施例中，第二特征参数包括相对亮度，和/或钙化指数。
本发明的较佳的实施例中，还包括一图像预处理模块6，分别连接数据获取模块1和边缘识别模块2，图像预处理模块6包括：
预处理单元61，用于对甲状腺结节图像进行图像预处理得到预处理图像；
腐蚀处理单元62，连接预处理单元61，用于对预处理图像进行腐蚀处理得到腐蚀图像；
则边缘识别模块2中的甲状腺结节图像包括预处理图像和腐蚀图像。
本发明的较佳的实施例中，边缘识别模块2通过对预处理图像和腐蚀图像进行差分计算得到结节边缘图像。
本发明的较佳的实施例中，图像预处理包括对甲状腺结节图像进行图像降噪，随后进行二值化处理得到预处理图像。
本发明的较佳的实施例中，特征选择模块4包括：
图像分类单元41，将各第一特征参数和各第二特征参数作为各弹性超声图像的图像特征参数，针对每个图像特征参数，分别将图像特征参数与预设的特征阈值进行比较，并在图像特征参数小于特征阈值时，将图像特征参数加入一第一类别集合，以及在图像特征参数不小于特征阈值时，将图像特征参数加入一第二类别集合；
每个图像特征参数分别对应一特征阈值；
第一计算单元42，连接图像分类单元41，用于分别计算得到第一类别集合中各图像特征参数的第一均值和第一方差，以及计算得到第二类别集合中的各图像特征参数的第二均值和第二方差；
第二计算单元43，连接第一计算单元42，用于根据第一均值、第一方差、第二均值和第二方差计算得到图像特征参数对应的类间距离，并将各类间距离按照从大到小的顺序加入一类间距序列。
具体地，本实施例中，以圆形度为例，每个结节边缘图像进行特征分析后得到对应的一个圆形度，上述特征阈值优选为圆形度阈值，该圆形度阈值不大于1。此时分别将各圆形度与圆形度阈值进行比较，将圆形度小于圆形度阈值的加入第一类别集合，将圆形度不小于圆形度阈值的加入第二类别集合，即将各圆形度分为两类，以计算两类圆形度之间的类间距离。
本发明的较佳的实施例中，针对每个图像特征参数，类间距离的计算公式如下：
Figure BDA0002488511180000141
其中，
D用于表示类间距离；
μ1用于表示第一均值；
μ2用于表示第二均值；
σ1用于表示第一方差；
σ2用于表示第二方差。
本发明的较佳的实施例中，甲状腺结节状态识别模型为多层循环神经网络模型。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (9)

1.一种基于弹性超声成像的甲状腺结节分析系统，其特征在于，具体包括：
数据获取模块，用于获取甲状腺部位的若干弹性超声图像，并分别对各所述弹性超声图像进行甲状腺结节选取，得到甲状腺结节图像；
边缘识别模块，连接所述数据获取模块，用于分别对各所述甲状腺结节图像进行边缘识别，得到各所述甲状腺结节图像的结节边缘图像；
特征分析模块，分别连接所述数据获取模块和所述边缘识别模块，所述特征分析模块包括：
第一分析单元，用于分别对各所述甲状腺结节图像进行特征分析，得到所述甲状腺结节图像对应的若干第一特征参数；
第二分析单元，用于分别对所述结节边缘图像进行特征分析，得到所述结节边缘图像对应的若干第二特征参数；
特征选择模块，连接所述特征分析模块，用于将各所述第一特征参数和各所述第二特征参数作为各所述弹性超声图像的图像特征参数，并针对每个所述图像特征参数，分别计算各所述图像特征参数的类间距离，并将得到的各所述类间距离按照从大到小的顺序加入一类间距序列；
结节分析模块，连接所述特征选择模块，用于提取所述类间距序列中排序靠前的预设数量的所述类间距离对应的所述图像特征参数，并将所述图像特征参数作为输入，所述图像特征参数对应的结节状态作为输出，训练得到一甲状腺结节状态识别模型，以供后续甲状腺结节状态识别使用。
2.根据权利要求1所述的基于弹性超声成像的甲状腺结节分析系统，其特征在于，所述第二特征参数包括所述结节边缘的圆形度，和/或不规则度，和/或纵横比，和/或平均方向值，和/或归一化径向长度的标准差，和/或归一化径向长度的粗糙度。
3.根据权利要求1所述的基于弹性超声成像的甲状腺结节分析系统，所述第一特征参数包括相对亮度，和/或钙化指数。
4.根据权利要求1所述的基于弹性超声成像的甲状腺结节分析系统，其特征在于，还包括一图像预处理模块，分别连接所述数据获取模块和所述边缘识别模块，所述图像预处理模块包括：
预处理单元，用于对所述甲状腺结节图像进行图像预处理得到预处理图像；
腐蚀处理单元，连接所述预处理单元，用于对所述预处理图像进行腐蚀处理得到腐蚀图像；
则所述边缘识别模块中的所述甲状腺结节图像包括所述预处理图像和所述腐蚀图像。
5.根据权利要求4所述的基于弹性超声成像的甲状腺结节分析系统，其特征在于，所述边缘识别模块通过对所述预处理图像和所述腐蚀图像进行差分计算得到所述结节边缘图像。
6.根据权利要求4所述的基于弹性超声成像的甲状腺结节分析系统，其特征在于，所述图像预处理包括对所述甲状腺结节图像进行图像降噪，随后进行二值化处理得到所述预处理图像。
7.根据权利要求1所述的基于弹性超声成像的甲状腺结节分析系统，其特征在于，所述特征选择模块包括：
图像分类单元，将各所述第一特征参数和各所述第二特征参数作为各所述弹性超声图像的图像特征参数，针对每个所述图像特征参数，分别将所述图像特征参数与预设的特征阈值进行比较，并在所述图像特征参数小于所述特征阈值时，将所述图像特征参数加入一第一类别集合，以及在所述图像特征参数不小于所述特征阈值时，将所述图像特征参数加入一第二类别集合；
每个所述图像特征参数分别对应一所述特征阈值；
第一计算单元，连接所述图像分类单元，用于分别计算得到所述第一类别集合中各所述图像特征参数的第一均值和第一方差，以及计算得到所述第二类别集合中的各所述图像特征参数的第二均值和第二方差；
第二计算单元，连接所述第一计算单元，用于根据所述第一均值、所述第一方差、所述第二均值和所述第二方差计算得到所述图像特征参数对应的所述类间距离，并将各所述类间距离按照从大到小的顺序加入一类间距序列。
8.根据权利要求7所述的基于弹性超声成像的甲状腺结节分析系统，其特征在于，针对每个所述图像特征参数，所述类间距离的计算公式如下：
Figure FDA0003880544550000041
其中，
D用于表示所述类间距离；
μ1用于表示所述第一均值；
μ2用于表示所述第二均值；
σ1用于表示所述第一方差；
σ2用于表示所述第二方差。
9.根据权利要求1所述的基于弹性超声成像的甲状腺结节分析系统，其特征在于，所述甲状腺结节状态识别模型为多层循环神经网络模型。
CN202010398347.1A 2020-05-12 2020-05-12 一种基于弹性超声成像的甲状腺结节分析系统 Active CN111553919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010398347.1A CN111553919B (zh) 2020-05-12 2020-05-12 一种基于弹性超声成像的甲状腺结节分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010398347.1A CN111553919B (zh) 2020-05-12 2020-05-12 一种基于弹性超声成像的甲状腺结节分析系统

Publications (2)

Publication Number Publication Date
CN111553919A CN111553919A (zh) 2020-08-18
CN111553919B true CN111553919B (zh) 2022-12-30

Family

ID=72004891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010398347.1A Active CN111553919B (zh) 2020-05-12 2020-05-12 一种基于弹性超声成像的甲状腺结节分析系统

Country Status (1)

Country Link
CN (1) CN111553919B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102311B (zh) * 2020-09-27 2023-07-18 平安科技（深圳）有限公司 甲状腺结节图像的处理方法、装置和计算机设备
CN112184671B (zh) * 2020-09-29 2023-12-19 平安科技（深圳）有限公司 甲状腺结节纵横比计算方法、装置、设备和存储介质
CN113112465B (zh) * 2021-03-31 2022-10-18 上海深至信息科技有限公司 一种颈动脉内中膜分割模型的生成系统及方法
JP2023087303A (ja) * 2021-12-13 2023-06-23 富士フイルム株式会社 超音波診断装置および超音波診断装置の制御方法
CN114387227A (zh) * 2021-12-23 2022-04-22 沈阳东软智能医疗科技研究院有限公司 结节类型预测方法、装置、存储介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056595A (zh) * 2015-11-30 2016-10-26 浙江德尚韵兴图像科技有限公司 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法
CN107247971A (zh) * 2017-06-28 2017-10-13 中国人民解放军总医院 一种超声甲状腺结节风险指标的智能分析方法及系统
CN108364293A (zh) * 2018-04-10 2018-08-03 复旦大学附属肿瘤医院 一种在线训练甲状腺肿瘤超声图像识别方法及其装置
CN108520518A (zh) * 2018-04-10 2018-09-11 复旦大学附属肿瘤医院 一种甲状腺肿瘤超声图像识别方法及其装置
CN110211116A (zh) * 2019-06-03 2019-09-06 东北大学 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017087415A1 (en) * 2015-11-17 2017-05-26 The Board Of Trustees Of The Leland Stanford Junior University Profiling of pathology images for clinical applications
KR102439769B1 (ko) * 2016-01-18 2022-09-05 삼성메디슨 주식회사 의료 영상 장치 및 그 동작방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056595A (zh) * 2015-11-30 2016-10-26 浙江德尚韵兴图像科技有限公司 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法
CN107247971A (zh) * 2017-06-28 2017-10-13 中国人民解放军总医院 一种超声甲状腺结节风险指标的智能分析方法及系统
CN108364293A (zh) * 2018-04-10 2018-08-03 复旦大学附属肿瘤医院 一种在线训练甲状腺肿瘤超声图像识别方法及其装置
CN108520518A (zh) * 2018-04-10 2018-09-11 复旦大学附属肿瘤医院 一种甲状腺肿瘤超声图像识别方法及其装置
CN110211116A (zh) * 2019-06-03 2019-09-06 东北大学 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CT图像甲状腺结节识别技术研究;彭文献;《中国优秀博硕士学位论文全文数据库(博士) 医药卫生科技辑》;20180915;全文 *
Deep learning based classification of ultrasound images for thyroid nodules: a large scale of pilot study;Qing Guan等;《Annals of Translational Medicine》;20190430;全文 *
Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neural Network;Jianning Chi等;《Journal of Digital Imaging》;20170710;全文 *
基于深度学习的甲状腺结节自动识别方法在超声图像中的应用;王洪杰等;《中国医疗设备》;20191031;全文 *

Also Published As

Publication number Publication date
CN111553919A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN111553919B (zh) 一种基于弹性超声成像的甲状腺结节分析系统
CN108416344B (zh) 眼底彩照视盘与黄斑定位识别方法
US8073226B2 (en) Automatic detection and monitoring of nodules and shaped targets in image data
CN109727243A (zh) 乳腺超声图像识别分析方法及系统
CN109190690B (zh) 基于机器学习的swi图像的脑微出血点检测识别方法
US20180114313A1 (en) Medical Image Segmentation Method and Apparatus
JPH10500321A (ja) 医用コンピュータ断層撮影スキャンで病変を検出するための自動化された方法およびシステム
Golston et al. Boundary detection in skin tumor images: an overall approach and a radial search algorithm
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
CN101103924A (zh) 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统
Kuo et al. Automatic lung nodule detection system using image processing techniques in computed tomography
CN106355584A (zh) 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法
CN107358267A (zh) 一种基于互相关特征的乳腺超声图像多元分类系统及方法
Wang et al. A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network
CN113066064A (zh) 基于人工智能的锥束ct图像生物结构识别及三维重建系统
CN116912255B (zh) 一种用于卵巢组织分析的卵泡区域分割方法
Li et al. Sublingual vein extraction algorithm based on hyperspectral tongue imaging technology
CN103169506A (zh) 一种自动识别肝癌的超声诊断装置和方法
US20220230325A1 (en) Computer based method for classifying a mass of an organ as a cyst
CN110021019A (zh) 一种aga临床图像的ai辅助毛发的粗细分布分析方法
Wulaning Ayu et al. Pixel Classification Based on Local Gray Level Rectangle Window Sampling for Amniotic Fluid Segmentation.
RU2668699C1 (ru) Интеллектуальный способ диагностики и обнаружения новообразований в легких
CN111899272A (zh) 基于耦合神经网络和线连接器的眼底图像血管分割方法
CN109903278B (zh) 基于形状直方图的超声乳腺肿瘤形态量化特征提取方法
Nirmala An automated detection of notable ABCD diagnostics of melanoma in dermoscopic images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201016

Address after: Room 5030, 5 / F, building e, 555 Dongchuan Road, Minhang District, Shanghai, 200241

Applicant after: Shanghai Shenzhi Information Technology Co.,Ltd.

Address before: Room 5030, 5 / F, building e, 555 Dongchuan Road, Minhang District, Shanghai, 200241

Applicant before: Shanghai Shenzhi Information Technology Co.,Ltd.

Applicant before: Shanghai Zhuxing Biotechnology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant