CN112001894A - 一种甲状腺边界平滑度检测装置 - Google Patents

一种甲状腺边界平滑度检测装置 Download PDF

Info

Publication number
CN112001894A
CN112001894A CN202010766977.XA CN202010766977A CN112001894A CN 112001894 A CN112001894 A CN 112001894A CN 202010766977 A CN202010766977 A CN 202010766977A CN 112001894 A CN112001894 A CN 112001894A
Authority
CN
China
Prior art keywords
thyroid
boundary
sub
smoothness
region
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.)
Granted
Application number
CN202010766977.XA
Other languages
English (en)
Other versions
CN112001894B (zh
Inventor
陈奇富
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.)
Shiwei Xinzhi Medical Technology Shanghai Co ltd
Original Assignee
Shiwei Xinzhi Medical Technology Shanghai 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 Shiwei Xinzhi Medical Technology Shanghai Co ltd filed Critical Shiwei Xinzhi Medical Technology Shanghai Co ltd
Priority to CN202010766977.XA priority Critical patent/CN112001894B/zh
Publication of CN112001894A publication Critical patent/CN112001894A/zh
Application granted granted Critical
Publication of CN112001894B publication Critical patent/CN112001894B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种甲状腺边界平滑度检测装置，包括：TNet模型构建和训练模块：基于卷积神经网络VGG‑19模型来构建TNet模型；感兴趣图像获取模块：通过选取感兴趣坐标点的方式来获取感兴趣图像；甲状腺良恶性检测模块：通过所述TNet模型对所述感兴趣图像进行检测，并产生“随访”或“穿刺”作为输出；甲状腺边界平滑度检测模块：用于对所述感兴趣图像中的甲状腺边界进行平滑度检测，再通过构建总体平滑度函数来判断甲状腺边界的平滑度，本发明能够有效检测甲状腺边界的平滑度，且识别率较好，为医生正确判断病况提供可靠依据。

Description

一种甲状腺边界平滑度检测装置
技术领域
本发明涉及辅助医学诊断领域，特别是涉及一种甲状腺边界平滑度检测装置。
背景技术
甲状腺癌症是全球女性中最常见的癌症之一，女性的发病率是男性的三倍。在2018年，每20位被诊断出癌症的女性病例中就有1位是甲状腺癌。超声成像是一种用于癌症诊断的非侵入性、非辐射性且低成本的技术。然而，由于超声图像质量低，识别甲状腺和通过超声检测癌症迹象是一项艰巨的任务。
近年来，卷积神经网络(CNN)显示出了出色的目标检测能力，特别是对于大规模的视觉识别任务。CNN已用于包括医学成像在内的不同的计算机视觉任务，它在特征学习中表现出强大的功能，并且能够从图像中学习具有区分性和鲁棒性的对象特征(例如线条、形状、纹理和颜色)。有许多已经开发了的用于对象分类问题的CNN模型，例如在ImageNet数据集的“大规模视觉识别挑战”(ILSVRC)的背景下设计的VGGNet。VGG模型源自于DCNN训练的约120万张带标签的图像，它包含来自ILSVRC数据集的1000个不同类别，其中该数据集中的每个单个对象均作为主体，且位于图像中心，并伴有些许杂乱的背景。VGG模型将整个图像作为输入并预测对象的类别标签。VGG模型网络的体系结构包括权重层、规范化层、最大池化层、全连接层以及在输出层中具有softmax激活的线性层。
发明内容
本发明所要解决的技术问题是提供一种甲状腺边界平滑度检测装置，能够有效检测甲状腺边界的平滑度。
本发明解决其技术问题所采用的技术方案是：提供一种甲状腺边界平滑度检测装置，包括：
TNet模型构建和训练模块：构建并训练基于卷积神经网络的VGG-19模型，调整所述VGG-19模型的最后三层结构；将所述VGG-19模型训练好的层迁移到新的卷积神经网络模型中，来构建TNet初始模型，并对所述TNet初始模型进行预训练，得到TNet模型；
感兴趣图像获取模块：通过选取感兴趣坐标点的方式对甲状腺超声图像的甲状腺边界进行截取，得到感兴趣图像；
甲状腺良恶性检测模块：用于将所述感兴趣图像输入到所述TNet模型中，所述TNet模型对所述感兴趣图像进行检测，并产生“随访”或“穿刺”作为输出；
甲状腺边界平滑度检测模块：用于对所述感兴趣图像中的甲状腺边界进行平滑度检测，再通过构建总体平滑度函数来判断甲状腺边界的平滑度。
所述甲状腺边界平滑度检测模块中对所述感兴趣图像中的甲状腺边界进行平滑度检测之前，包括：通过坐标插值法以甲状腺边界为界限划分出带状区域，所述带状区域包括甲状腺内部区域和甲状腺外部区域，再将所述带状区域分割为R个子带状区域，每个所述子带状区域包括甲状腺内部子区域和甲状腺外部子区域。
所述甲状腺边界平滑度检测模块中对所述感兴趣图像中的甲状腺边界进行平滑度检测，包括：提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的强度平均值，公式为：
Figure BDA0002615075280000021
其中，N表示每个子带状区域中的像素个数，I*(x,y)表示每个子带状区域中像素的强度值；
提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的标准差，公式为：
Figure BDA0002615075280000022
其中，N表示每个子带状区域中的像素个数；
提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的熵，公式为：
Figure BDA0002615075280000023
其中，p(x,y)表示每个子带状区域中像素值(x,y)出现的概率；
提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的能量，公式为：
Figure BDA0002615075280000024
其中，Energy∈[0,1]，p(x,y)表示像素值(x,y)出现的概率；
根据每个所述子带状区域中提取到的强度平均值、标准差、熵和能量来构建特征向量。
所述甲状腺边界平滑度检测模块中对所述感兴趣图像中的甲状腺边界进行平滑度检测，还包括：根据构建好的特征向量来计算每个所述子带状区域中甲状腺内部子区域与甲状腺外部子区域的欧氏距离，公式为：
Figure BDA0002615075280000031
其中，i＝1...|R|，j表示特征指数，Ri(inj)表示关于甲状腺内部子区域的特征向量，Ri(outj)表示关于甲状腺外部子区域的特征向量；
根据得到的欧式距离来判定子带状区域的甲状腺边界清晰度，公式为：
Figure BDA0002615075280000032
其中，ED_TH为预设判决阈值，若ED_Ri≥ED_TH，则表示子带状区域的甲状腺边界清晰；若ED_Ri＜ED_TH，则表示子带状区域的甲状腺边界不清晰。
所述甲状腺边界平滑度检测模块中通过构建总体平滑度函数来判断甲状腺边界的平滑度，包括：将甲状腺边界清晰的子带状区域个数与R个子带状区域的比值作为甲状腺边界的总体平滑度，公式为：
Figure BDA0002615075280000033
所述甲状腺边界平滑度检测模块中通过构建总体平滑度函数来判断甲状腺边界的平滑度，还包括：将所述总体平滑度SRatio映射到预设的平滑度度量标签SLabel中，公式为：
Figure BDA0002615075280000034
其中，若所述SRatio∈[0.9,1)，则表示甲状腺边界清晰；若所述SRatio∈[0.75,0.9)，则表示甲状腺边界较清晰；若所述SRatio∈[0.3,0.75)，则表示甲状腺边界欠清晰；其他情况则表示甲状腺边界不清晰。
所述TNet模型构建和训练模块中的调整所述VGG-19模型架构的最后三层架构，具体为：调整所述VGG-19模型的全连接层、softmax层和输出层。
所述感兴趣图像获取模块中还包括：通过双三次插值法将所述感兴趣图像大小调整为224*224像素。
所述TNet模型构建和训练模块，利用ImageNet数据集对所述VGG-19模型进行预训练。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明将迁移学习和卷积神经网络思想引入来构建TNet模型，通过调整TNet模型架构，以及对TNet模型一系列参数设置，使得TNet模型有较好的识别性能；本发明提供的甲状腺边界平滑度检测装置通过提取每个子带状区域中的四种特征并将其构建特征向量，再利用欧氏距离公式计算出甲状腺边界的清晰度，通过构建总体平滑度函数来判断甲状腺边界的平滑度，将所述总体平滑度映射到预设的平滑度度量标签，便于医生更好更快更精确地做出判断。
附图说明
图1是本发明实施方式的流程图；
图2是本发明实施方式中将带状区域划分为多个子带状区域示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种甲状腺边界平滑度检测装置，通过引入迁移学习(TL)和卷积神经网络(CNN)的思想对超声图像(US)的甲状腺良恶性进行检测，本实施方式采用了VGG-19模型并利用ImageNet数据集对所述VGG-19模型进行训练，ImageNet数据集包含的图像数量之广，图像种类之多，使得预训练VGG-19模型能有较好的泛化能力，将所述预训练VGG-19模型相应的信息传递到用于检测甲状腺良恶性的新神经网络模型中，本实施方式中将新的用于检测甲状腺良恶性的卷积神经网络模型称为TNet模型。
如图1所示，为本发明实施方式的流程图，本实施方式中的甲状腺边界平滑度检测装置主要包括：TNet模型构建和训练模块、感兴趣图像获取模块、甲状腺良恶性检测模块和甲状腺边界平滑度检测模块，各个模块的作用分别为：
所述TNet模型构建和训练模块：构建并训练基于卷积神经网络的VGG-19模型，调整所述VGG-19模型的最后三层结构；将所述VGG-19模型训练好的层迁移到新的卷积神经网络模型中，来构建TNet初始模型，并对所述TNet初始模型进行预训练，得到TNet模型；
所述感兴趣图像获取模块：通过选取感兴趣坐标点的方式对甲状腺超声图像的甲状腺边界进行截取，得到感兴趣图像；
所述甲状腺良恶性检测模块：用于将所述感兴趣图像输入到所述TNet模型中，所述TNet模型对所述感兴趣图像进行检测，并产生“随访”或“穿刺”作为输出；
所述甲状腺边界平滑度检测模块：用于对所述感兴趣图像中的甲状腺边界进行平滑度检测，再通过构建总体平滑度函数来判断甲状腺边界的平滑度。
本实施方式中，通过超声仪器对患者的甲状腺进行检查，并获取患者的甲状腺超声图像。通常，获取到的甲状腺超声图像捕获了大部分甲状腺组织，但甲状腺超声图像还具有噪声，原因包括：
(1)甲状腺超声图像可能包含非肿瘤物体；
(2)使用不同品牌和型号的超声仪器来捕获甲状腺超声图像；
(3)甲状腺对象具有不同的形状、方向、纹理和大小；
(4)在不同的焦点和比例条件下捕获甲状腺超声图像，会导致甲状腺超声图像具有不同的亮度和大小。
进一步地，本实施方式中通过截取甲状腺超声图像中的甲状腺边界来提取感兴趣图像，以进行准确识别，具体为：医生可以截取甲状腺超声图像中甲状腺的感兴趣坐标点(x,y)∈X，即医生可以通过手动标记截取来提取感兴趣图像，将提取的感兴趣图像尺寸大小统一后作为所述TNet模型的输入，以进行良恶性预测。
本实施方式中采用卷积神经网络VGG-19模型为基础，所述VGG-19模型用于从图像中识别对象，并且所述VGG-19模型的参数已在ImageNet数据集上进行了预训练。所述VGG-19模型具有16个卷积层和3个可学习权重的全连接层(总共47个层)的网络，并包含数百万个参数。
本实施方式首先需要调整所述VGG-19模型架构的最后三层架构，即对全连接层(fc8)、softmax层(prob)和输出层(输出)进行调整，本实施方式中的TNet模型有两个输出类别，为这两个输出类别添加了一个新的全连接层(fc8')、一个softmax层(prob')和一个分类输出层(output')，其中最后一个全连接层的输出被馈送到二分类softmax(或归一化指数函数)，从而在得出两个输出分类结果标签：“随访”或“穿刺”，“随访”表示甲状腺良性，“穿刺”表示甲状腺恶性。
本实施方式在检测之前，需要通过预设的甲状腺超声图像来对所述TNet模型进行训练，以使得TNet模型有较好的泛化能力，训练好之后，即可将需要检测的甲状腺图像进行预处理后输入进TNet模型进行识别。将感兴趣图像在输入所述TNet模型之前，需要使用双三次插值法将医生截取的感兴趣图像重新缩放为224*224像素，用以使图像标准化，并将缩放后的感兴趣图像作为所述TNet模型的输入。进一步地，将所述TNet模型的网络参数设置如下：迭代次数设置为15000，初始学习率设置为0.001，以及批大小(mini-batch)设置为8，其他网络参数设置为默认值。基于这些参数配置能够确保甲状腺良恶性识别的准确性，并根据识别结果，所述TNet模型提供“随访”建议或“穿刺”建议。
本实施方式中的TNet模型包含16个卷积层，并且每个卷积层都有一组可训练卷积滤波器，可以从甲状腺超声图像中提取有用的特征，这些有用的特征是后续识别甲状腺良恶性的基础。
本实施方式中，所述甲状腺边界平滑度检测模块通过计算各个子带状区域的强度平均值、标准差、熵和能量来构建特征向量，并用构建好的特征向量来计算每个所述子带状区域中甲状腺内部子区域与甲状腺外部子区域的欧氏距离，进而判定甲状腺边界清晰度，再通过构建总体平滑度函数来判断甲状腺边界的平滑度。
甲状腺均匀且逐渐弯曲的边界可用于鉴别边界平滑度，换言之，甲状腺边界平滑度是指具有均匀变化程度的曲线，能够清晰地将内部甲状腺组织与周围组织分割开来。
所述甲状腺边界平滑度检测模块中对所述感兴趣图像中的甲状腺边界进行平滑度检测之前，包括：通过坐标插值法以甲状腺边界为界限划分出带状区域，所述带状区域包括甲状腺内部区域和甲状腺外部区域，再将所述带状区域分割为R个子带状区域，每个所述子带状区域包括甲状腺内部子区域和甲状腺外部子区域。
如图2所示，为本发明实施方式中将带状区域划分为多个子带状区域示意图，IP表示甲状腺内部区域边界，OP表示甲状腺外部区域边界，RC表示甲状腺边界，IP和OP组成带状区域，IP与RC之间的区域为甲状腺内部区域，OP与RC之间的区域为甲状腺外部区域，为了描述方便，假设甲状腺为椭圆形，以椭圆中心为出发点，将所述带状区域分割为R个子带状区域，图2中的子带状区域个数为12个，每个所述子带状区域包括甲状腺内部子区域和甲状腺外部子区域；甲状腺边界平滑度检测就是基于将甲状腺划分成若干子区域来检测的，目的就是为了后续提取的特征更为稳健，同时对甲状腺边界平滑度的检测更为精确。
进一步地，所述甲状腺边界平滑度检测模块中对所述感兴趣图像中的甲状腺边界进行平滑度检测，包括：提取四种特征，具体如下：
提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的强度平均值，公式为：
Figure BDA0002615075280000071
其中，N表示每个子带状区域中的像素个数，I*(x,y)表示每个子带状区域中像素的强度值；强度平均值越高，则表示子带状区域的对比度越高。
提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的的标准差，公式为：
Figure BDA0002615075280000072
其中，N表示每个子带状区域中强度值，标准差越大，则表示子带状区域的强度变化越大。
提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的的熵，公式为：
Figure BDA0002615075280000073
其中，p(x,y)表示每个子带状区域中像素值(x,y)出现的概率；熵是一种随机性的统计度量，通常用于衡量图像中纹理的复杂性，熵值越高表示纹理复杂度越高，也意味着高强度的混合。
提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的的能量，公式为：
Figure BDA0002615075280000074
其中，能量Energy∈[0,1]，p(x,y)表示像素值(x,y)出现的概率，能量是图像强度均匀性的度量，对于一个强度恒定的区域，能量为1。
根据每个所述子带状区域中提取到的强度平均值、标准差、熵和能量来构建特征向量。
进一步地，所述甲状腺边界平滑度检测模块中对所述感兴趣图像中的甲状腺边界进行平滑度检测，还包括：根据构建好的特征向量来计算每个所述子带状区域中甲状腺内部子区域与甲状腺外部子区域的欧氏距离，公式为：
Figure BDA0002615075280000075
其中，i＝1...|R|，j表示特征指数，Ri(inj)表示关于甲状腺内部子区域的特征向量，Ri(outj)表示关于甲状腺外部子区域的特征向量。
根据得到的欧式距离来判定子带状区域的甲状腺边界清晰度，公式为：
Figure BDA0002615075280000081
其中，ED_TH为预设判决阈值，若ED_Ri≥ED_TH，则表示子带状区域的甲状腺边界清晰；若ED_Ri＜ED_TH，则表示子带状区域的甲状腺边界不清晰。
所述甲状腺边界平滑度检测模块中通过构建总体平滑度函数来判断甲状腺边界的平滑度，包括：将甲状腺边界清晰的子带状区域个数与R个子带状区域的比值作为甲状腺边界的总体平滑度，公式为：
Figure BDA0002615075280000082
进一步地，所述甲状腺边界平滑度检测模块中通过构建总体平滑度函数来判断甲状腺边界的平滑度，还包括：将所述总体平滑度SRatio映射到预设的平滑度度量标签SLabel中，公式为：
Figure BDA0002615075280000083
其中，若所述SRatio∈[0.9,1)，则表示甲状腺边界清晰；若所述SRatio∈[0.75,0.9)，则表示甲状腺边界较清晰；若所述SRatio∈[0.3,0.75)，则表示甲状腺边界欠清晰；其他情况则表示甲状腺边界不清晰；医生可以根据平滑度度量标签SLabel对病人的病况快速做出判断，并且医生可以根据实际情况对每个标签的范围进行微调。
由此可见，本发明提供的甲状腺边界平滑度检测装置能够有效检测甲状腺边界的平滑度，通过提取子带状区域的四种不同特征来保证后续平滑度数据检测的准确性，通过引入总体平滑度函数和平滑度度量标签，能够为医生做出准确判断提供可靠依据。

Claims (9)

1.一种甲状腺边界平滑度检测装置，其特征在于，包括：
TNet模型构建和训练模块：构建并训练基于卷积神经网络的VGG-19模型，调整所述VGG-19模型的最后三层结构；将所述VGG-19模型训练好的层迁移到新的卷积神经网络模型中，来构建TNet初始模型，并对所述TNet初始模型进行预训练，得到TNet模型；
感兴趣图像获取模块：通过选取感兴趣坐标点的方式对甲状腺超声图像的甲状腺边界进行截取，得到感兴趣图像；
甲状腺良恶性检测模块：用于将所述感兴趣图像输入到所述TNet模型中，所述TNet模型对所述感兴趣图像进行检测，并产生“随访”或“穿刺”作为输出；
甲状腺边界平滑度检测模块：用于对所述感兴趣图像中的甲状腺边界进行平滑度检测，再通过构建总体平滑度函数来判断甲状腺边界的平滑度。
2.根据权利要求1所述的甲状腺边界平滑度检测装置，其特征在于，所述甲状腺边界平滑度检测模块中对所述感兴趣图像中的甲状腺边界进行平滑度检测之前，包括：通过坐标插值法以甲状腺边界为界限划分出带状区域，所述带状区域包括甲状腺内部区域和甲状腺外部区域，再将所述带状区域分割为R个子带状区域，每个所述子带状区域包括甲状腺内部子区域和甲状腺外部子区域。
3.根据权利要求2所述的甲状腺边界平滑度检测装置，其特征在于，所述甲状腺边界平滑度检测模块中对所述感兴趣图像中的甲状腺边界进行平滑度检测，包括：提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的强度平均值，公式为：
Figure FDA0002615075270000011
其中，N表示每个子带状区域中的像素个数，I*(x,y)表示每个子带状区域中像素的强度值；
提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的标准差，公式为：
Figure FDA0002615075270000012
其中，N表示每个子带状区域中的像素个数；
提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的熵，公式为：
Figure FDA0002615075270000013
其中，p(x,y)表示每个子带状区域中像素值(x,y)出现的概率；
提取每个所述子带状区域中的甲状腺内部子区域和外部子区域的能量，公式为：
Figure FDA0002615075270000021
其中，Energy∈[0,1]，p(x,y)表示像素值(x,y)出现的概率；
根据每个所述子带状区域中提取到的强度平均值、标准差、熵和能量来构建特征向量。
4.根据权利要求3所述的甲状腺边界平滑度检测装置，其特征在于，所述甲状腺边界平滑度检测模块中对所述感兴趣图像中的甲状腺边界进行平滑度检测，还包括：根据构建好的特征向量来计算每个所述子带状区域中甲状腺内部子区域与甲状腺外部子区域的欧氏距离，公式为：
Figure FDA0002615075270000022
其中，i＝1...|R|，j表示特征指数，Ri(inj)表示关于甲状腺内部子区域的特征向量，Ri(outj)表示关于甲状腺外部子区域的特征向量；
根据得到的欧式距离来判定子带状区域的甲状腺边界清晰度，公式为：
Figure FDA0002615075270000023
其中，ED_TH为预设判决阈值，若ED_Ri≥ED_TH，则表示子带状区域的甲状腺边界清晰；若ED_Ri＜ED_TH，则表示子带状区域的甲状腺边界不清晰。
5.根据权利要求4所述的甲状腺边界平滑度检测装置，其特征在于，所述甲状腺边界平滑度检测模块中通过构建总体平滑度函数来判断甲状腺边界的平滑度，包括：将甲状腺边界清晰的子带状区域个数与R个子带状区域的比值作为甲状腺边界的总体平滑度，公式为：
Figure FDA0002615075270000024
6.根据权利要求5所述的甲状腺边界平滑度检测装置，其特征在于，所述甲状腺边界平滑度检测模块中通过构建总体平滑度函数来判断甲状腺边界的平滑度，还包括：将所述总体平滑度SRatio映射到预设的平滑度度量标签SLabel中，公式为：
Figure FDA0002615075270000031
其中，若所述SRatio∈[0.9,1)，则表示甲状腺边界清晰；若所述SRatio∈[0.75,0.9)，则表示甲状腺边界较清晰；若所述SRatio∈[0.3,0.75)，则表示甲状腺边界欠清晰；其他情况则表示甲状腺边界不清晰。
7.根据权利要求1所述的甲状腺边界平滑度检测装置，其特征在于，所述TNet模型构建和训练模块中的调整所述VGG-19模型架构的最后三层架构，具体为：调整所述VGG-19模型的全连接层、softmax层和输出层。
8.根据权利要求1所述的甲状腺边界平滑度检测装置，其特征在于，所述感兴趣图像获取模块中还包括：通过双三次插值法将所述感兴趣图像大小调整为224*224像素。
9.根据权利要求1所述的甲状腺边界平滑度检测装置，其特征在于，所述TNet模型构建和训练模块，利用ImageNet数据集对所述VGG-19模型进行预训练。
CN202010766977.XA 2020-08-03 2020-08-03 一种甲状腺边界平滑度检测装置 Active CN112001894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010766977.XA CN112001894B (zh) 2020-08-03 2020-08-03 一种甲状腺边界平滑度检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010766977.XA CN112001894B (zh) 2020-08-03 2020-08-03 一种甲状腺边界平滑度检测装置

Publications (2)

Publication Number Publication Date
CN112001894A true CN112001894A (zh) 2020-11-27
CN112001894B CN112001894B (zh) 2021-04-30

Family

ID=73463452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010766977.XA Active CN112001894B (zh) 2020-08-03 2020-08-03 一种甲状腺边界平滑度检测装置

Country Status (1)

Country Link
CN (1) CN112001894B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450326A (zh) * 2021-06-28 2021-09-28 什维新智医疗科技(上海)有限公司 一种甲状腺结节的血管信息提取装置
CN113647985A (zh) * 2021-08-10 2021-11-16 什维新智医疗科技(上海)有限公司 一种结节纵横比提取装置
CN117333435A (zh) * 2023-09-15 2024-01-02 什维新智医疗科技(上海)有限公司 甲状腺结节边界清晰度检测方法、系统、电子设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7609874B2 (en) * 2005-12-21 2009-10-27 Honeywell International Inc. System and method for prediction of pitting corrosion growth
CN102859552A (zh) * 2010-04-16 2013-01-02 皇家飞利浦电子股份有限公司 图像数据分割
CN103455710A (zh) * 2012-08-10 2013-12-18 无锡祥生医学影像有限责任公司 超声成像过程中计算机辅助测量和诊断的设备及其方法
CN104000619A (zh) * 2014-06-16 2014-08-27 彭文献 一种甲状腺ct图像计算机辅助诊断系统及方法
CN107358267A (zh) * 2017-07-20 2017-11-17 东北大学 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
CN108154532A (zh) * 2018-01-25 2018-06-12 北京雅森科技发展有限公司 一种辅助评估spect图像甲状腺体积的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7609874B2 (en) * 2005-12-21 2009-10-27 Honeywell International Inc. System and method for prediction of pitting corrosion growth
CN102859552A (zh) * 2010-04-16 2013-01-02 皇家飞利浦电子股份有限公司 图像数据分割
CN103455710A (zh) * 2012-08-10 2013-12-18 无锡祥生医学影像有限责任公司 超声成像过程中计算机辅助测量和诊断的设备及其方法
CN104000619A (zh) * 2014-06-16 2014-08-27 彭文献 一种甲状腺ct图像计算机辅助诊断系统及方法
CN107358267A (zh) * 2017-07-20 2017-11-17 东北大学 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
CN108154532A (zh) * 2018-01-25 2018-06-12 北京雅森科技发展有限公司 一种辅助评估spect图像甲状腺体积的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HANUNG ADI NUGROHO等: "Texture analysis for classification of thyroid ultrasound images", 《2016 INTERNATIONAL ELECTRONICS SYMPOSIUM (IES)》 *
LIU T等: "Automated detection and classification of thyroid nodules in ultrasound images using clinical-knowledge-guided convolutional neural networks", 《MEDICAL IMAGE ANALYSIS》 *
OLFA MOUSSA等: "Thyroid nodules classification and diagnosis in ultrasound images using fine‐tuning deep convolutional neural network", 《INTERNATIONAL JOURNAL OF IMAGING SYSTEMS AND TECHNOLOGY》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450326A (zh) * 2021-06-28 2021-09-28 什维新智医疗科技(上海)有限公司 一种甲状腺结节的血管信息提取装置
CN113647985A (zh) * 2021-08-10 2021-11-16 什维新智医疗科技(上海)有限公司 一种结节纵横比提取装置
CN113647985B (zh) * 2021-08-10 2024-06-11 什维新智医疗科技(上海)有限公司 一种结节纵横比提取装置
CN117333435A (zh) * 2023-09-15 2024-01-02 什维新智医疗科技(上海)有限公司 甲状腺结节边界清晰度检测方法、系统、电子设备及介质

Also Published As

Publication number Publication date
CN112001894B (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN110136103B (zh) 医学影像解释方法、装置、计算机设备及存储介质
CN112001894B (zh) 一种甲状腺边界平滑度检测装置
CN110390351B (zh) 一种基于深度学习的致痫灶三维自动定位系统
Li et al. Deep learning based gastric cancer identification
CN111985536B (zh) 一种基于弱监督学习的胃镜病理图像分类方法
CN107886514B (zh) 基于深度残差网络的乳腺钼靶图像肿块语义分割方法
WO2020088288A1 (zh) 内窥镜图像的处理方法、系统及计算机设备
CN111784721B (zh) 基于深度学习的超声内窥图像智能分割与量化方法及系统
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN112001895B (zh) 一种甲状腺钙化检测装置
WO2021233021A1 (zh) 一种图像区域分割模型训练方法、分割方法和装置
CN110021425B (zh) 一种比较检测器及其构建方法与宫颈癌细胞检测方法
CN111951288B (zh) 一种基于深度学习的皮肤癌病变分割方法
CN109614869B (zh) 一种基于多尺度压缩奖惩网络的病理图像分类方法
CN116503392B (zh) 一种用于卵巢组织分析的卵泡区域分割方法
CN112837325A (zh) 医学影像图像处理方法、装置、电子设备及介质
Zhang et al. Quantitative detection of cervical cancer based on time series information from smear images
CN114708493A (zh) 一种中医裂纹舌诊便携设备及使用方法
CN116912240B (zh) 基于半监督学习的突变tp53免疫学检测方法
CN112001896B (zh) 一种甲状腺边界不规则度检测装置
CN113628252A (zh) 一种基于热成像视频的泄漏气体云团检测方法
CN116486183B (zh) 基于多种注意力权重融合特征的sar图像建筑区分类方法
CN112927215A (zh) 一种消化道活检病理切片自动分析方法
CN113205484B (zh) 一种基于迁移学习的乳腺组织分类识别方法
CN116579985A (zh) 一种基于RefineDet模型的晶圆缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant