CN112102343A - 基于超声图像的ptc诊断系统 - Google Patents
基于超声图像的ptc诊断系统 Download PDFInfo
- Publication number
- CN112102343A CN112102343A CN202010806916.1A CN202010806916A CN112102343A CN 112102343 A CN112102343 A CN 112102343A CN 202010806916 A CN202010806916 A CN 202010806916A CN 112102343 A CN112102343 A CN 112102343A
- Authority
- CN
- China
- Prior art keywords
- image
- nodule
- contour
- diagnostic system
- ultrasound image
- 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
Links
- 238000002604 ultrasonography Methods 0.000 title claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 208000009453 Thyroid Nodule Diseases 0.000 claims abstract description 30
- 208000024770 Thyroid neoplasm Diseases 0.000 claims abstract description 23
- 230000003211 malignant effect Effects 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 19
- 238000007637 random forest analysis Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 238000010827 pathological analysis Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000012546 transfer Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 7
- 210000001685 thyroid gland Anatomy 0.000 claims description 7
- 206010027476 Metastases Diseases 0.000 claims description 6
- 230000009401 metastasis Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 206010033701 Papillary thyroid cancer Diseases 0.000 description 25
- 208000030045 thyroid gland papillary carcinoma Diseases 0.000 description 25
- 210000001165 lymph node Anatomy 0.000 description 12
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000001394 metastastic effect Effects 0.000 description 6
- 206010061289 metastatic neoplasm Diseases 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000017531 blood circulation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000036210 malignancy Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000002308 calcification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 201000002510 thyroid cancer Diseases 0.000 description 1
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
-
- 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
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- 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
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Business, Economics & Management (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Vascular Medicine (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于超声图像的PTC诊断系统，包括：基础数据采集单元，用于获取甲状腺结节超声图像数据及其病理诊断标签，而且基于结节局部特征的轮廓自动提取方法，从超声图像数据中提取甲状腺结节的轮廓；核心算法单元，用于将已提取的结节轮廓图像和标签标注信息作为随机森林模型的输入，进行分类模型训练，并调整参数，以进行包含甲状腺结节良恶性诊断以及恶性结节转移概率的计算。
Description
技术领域
本发明涉及医学影像学领域；具体地说，本发明涉及一种用于术前正确诊断甲状腺乳头状癌及早期判断颈部淋巴结是否转移的基于超声图像的甲状腺乳头状癌(PTC)诊断系统，其利用机器学习技术建立基于超声图像的PTC诊断和颈部转移性淋巴结预测模型。
背景技术
医学影像学检查在现代疾病的诊疗中对临床决策起着非常重要的指导作用。随着现代医疗模式的改变，并随着肿瘤个体化治疗的发展——影像组学应运而生。其定义是利用计算机软件从医学影像中高通量地提取大量影像信息，实现肿瘤分割、特征提取与模型建立，对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的判断。相对于每位医师主观地对图像进行判读，影像组学能客观、有效地提取图像特征进行病灶分析，避免了人工误判，同时也降低了医师的工作量。
国内外学者进行了影像组学的各种相关研究，结果表明影像组学方法对预测甲状腺结节恶性程度及判断PTC有无淋巴结转移方面均具有一定的价值和潜力。但是，目前鲜少有文献对影像组学在甲状腺癌的初步应用进行报道，其方法均依赖于高年资医师对病灶进行手工勾勒，具有主观性的误差同时增加了工作量。
目前，应用全自动切割算法的影像组学方法并开发PTC的超声图像诊断系统及应用该系统寻找颈部淋巴结转移特征尚未见文献报道。
发明内容
【发明目的】
本发明所要解决的技术问题是针对现有技术中存在上述缺陷，以甲状腺结节的超声图像特征为主要学习内容，应用先进的生物医学工程技术建立影像组学PTC的诊断系统，实现应用计算机诊断PTC的客观性和高效性，并在其基础上寻找有颈部淋巴结转移的PTC特征，建立颈部淋巴结转移的预测模型，计算出转移概率。
【技术方案】
根据本发明，提供了一种基于超声图像的PTC诊断系统，包括：
基础数据采集单元，用于获取甲状腺结节超声图像数据及其病理诊断标签，而且基于结节局部特征的轮廓自动提取方法，从超声图像数据中提取甲状腺结节的轮廓；
核心算法单元，用于将已提取的结节轮廓图像和标签标注信息作为随机森林模型的输入，进行分类模型训练，并调整参数，以进行包含甲状腺结节良恶性诊断以及恶性结节转移概率的计算。
优选地，基础数据采集单元采用自动切割算法对图像中的每个像素点进行无监督自动分类，以将图像分成结节区域和非结节区域。
优选地，基础数据采集单元将图像中的每个像素点的局部信息作为分类依据。
优选地，基础数据采集单元在基于结节局部特征的轮廓自动提取方法从超声图像数据中提取甲状腺结节的轮廓时执行下述处理：
采用多种卷积核获得甲状腺超声图像的多层图像；其中，卷积核指图像处理时，给定输入图像，使输入图像中一个区域像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数即为卷积核；
将多层图像叠成一个n层的3D图像，n大于等于2，然后对每个像素点画出一个3*3的方框区域，并将方框区域的3*3*n进行求平均得到向量V，获得图像的局部结构；
通过V*V^T，在每个像素点上获得协方差矩阵，并将协方差矩阵投影到黎曼空间当中；
在黎曼空间中采用基于黎曼距离的k-means聚类算法，对每个像素点进行分类，最终得到分割结果，将区域划分出来。
优选地，在对方框区域的3*3*n进行求平均，获得图像局部结构的过程中，其公式为：
其中，n为3D图像的层数，ai为单个像素点向量。
优选地，在对像素点进行分类的过程中，k-means聚类算法要优化的目标函数为：
其中，N为像素点的个数，K为聚类个数或簇数，rnk在像素点n被归类到簇K的时候为1，否则为0，μk为第K个簇的中心。
进一步优选地，通过迭代最小化J，其中先固定μk，以选择相应的rnk作为最优；下一步则固定被选为最优的rnk，再求相应的μk；得到的J在最小的时候应该满足：
优选地，在提取了甲状腺结节的轮廓后，将轮廓投影到协方差矩阵。
优选地，核心算法单元将提取到的结节轮廓图像及多层卷积后的图像进行协方差变换，作为随机森林模型的输入。
优选地，核心算法单元根据确诊恶性的结节周围的图像灰度分布以及患者身体指标，利用随机游走算法进行计算，以判断恶性结节是否发生转移以及转移到各个方向的概率。
优选地，在随机森林算法中的决策树利用特征来分类进而确定特征选取顺序的过程中，类xi的信息定义如下：
I(X＝xi)＝-log2p(xi)；
其中，I(X)用来表示随机变量的信息，p(xi)是指当xi发生时的概率。
【有益效果】
本发明应用生物医学工程和影像组学的交叉方法，开发基于超声图像的PTC诊断系统及颈部淋巴结转移的预测模型，使PTC及转移性淋巴结的诊断更具客观性，诊断速度更快，检测结果更准确。此外，在算法方面，与前人的算法不同，本发明应用先进的生物医学工程技术，对甲状腺结节的超声图像设计出全新的自动分割算法，对结节进行局部特征轮廓的自动提取。为了弥补常规超声检查对早期颈部转移性淋巴结的低诊断率，本发明应用计算机寻找PTC的超声图像特征预测颈部淋巴结转移的可能性，并对转移概率进行计算，为下一步临床治疗工作提供更坚实可靠的依据。
附图说明
结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：
图1示意性地示出了根据本发明优选实施例的基于超声图像的PTC诊断系统的系统框图。
图2示意性地示出了根据本发明优选实施例的基于超声图像的基于随机森林的集成识别算法示意图。
图3示意性地示出了根据本发明优选实施例的基于超声图像的PTC诊断系统的基于随机游走的恶性结节转移概率计算示意图。
需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。
具体实施方式
为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。
图1示意性地示出了根据本发明优选实施例的基于超声图像的PTC诊断系统的系统框图。如图1所示，根据本发明优选实施例的基于超声图像的PTC诊断系统包括：基础数据采集单元10，用于获取甲状腺结节超声图像数据及其病理诊断标签，而且基于结节局部特征的轮廓自动提取方法从超声图像数据中提取甲状腺结节的轮廓。
该基础数据采集单元10采集高质量甲状腺结节超声图像。例如，病理诊断标签是病理所证实的关于良性还是恶性的精细诊断标签，而且可确定结点的病理结果作为可靠标签标注方案。
该基础数据采集单元10采集一批高质量图像数据作为样本，供离线模型设计。
优选地，在甲状腺结节超声图像采集过程中，观察结节的部位、边界、边缘、内部成分、内部回声及纵横比、钙化类型、后方回声等情况。进一步优选地，用彩色多普勒超声观察目标结节的血流信号情况，留取结节纵切面或横切面图像一帧，并留取一张纵切面或横切面的彩色血流图，至少两帧图像采集至PACS(Picture Archiving and CommunicationSystems)系统(影像归档和通信系统)中。
优选地，在可疑PTC转移性淋巴结超声图像采集过程中，将可疑的转移性淋巴结根据AJCC制定的颈部淋巴结VII区分法进行准确分区。进一步优选地，观察可疑淋巴结的数量、大小、位置、形态、回声、有无钙化、血流情况，留取每个可疑淋巴结纵切面不带测量的二维图像一帧，以及一帧血流图像，至少两帧图像采集至PACS系统中。
在具体示例中，可以设计一个全新的自动切割算法，该自动切割算法对图像中的每个像素点进行无监督自动分类，以将图像分成结节区域和非结节区域。优选地，将每个像素点的局部信息作为分类依据，因结节和非结节的局部特征会存在区别，可将结点分割问题转换为结节局部特征的提取问题。
在具体示例中，基础数据采集单元10在基于结节局部特征的轮廓自动提取方法从超声图像数据中提取甲状腺结节的轮廓时执行下述处理：
采用多种卷积核获得甲状腺超声图像的多层图像；其中，卷积核指图像处理时，给定输入图像，使输入图像中一个区域像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数即为卷积核；
将多层图像叠成一个n层的3D图像，n大于等于2，然后对每个像素点画出一个3*3的方框区域，并将方框区域的3*3*n进行求平均得到向量V，获得图像的局部结构；
通过V*V^T，在每个像素点上获得协方差矩阵，并将协方差矩阵投影到黎曼空间当中，使得每个点更容易区分；
在黎曼空间中采用基于黎曼距离的k-means聚类算法，对每个像素点进行分类，最终得到分割结果，将区域划分出来。
优选地，在对方框区域的3*3*n进行求平均，获得图像局部结构的过程中，其公式为：
其中，n为3D图像的层数，ai为单个像素点向量。
优选地，在对像素点进行分类的过程中，k-means聚类算法要优化的目标函数为：
其中，N为像素点的个数，K为聚类个数或簇数，rnk在像素点n被归类到簇K的时候为1，否则为0，μk为第K个簇的中心。
进一步优选地，在最小化J的过程中，采取迭代的方法：先固定μk，选择最优的rnk；下一步则固定rnk，再求最优的μk。得到的J在最小的时候应该满足：
优选地，在提取了甲状腺结节的轮廓后，将轮廓投影到协方差矩阵。
如图1所示，根据本发明优选实施例的基于超声图像的PTC诊断系统还包括：核心算法单元20，用于将已提取的结节轮廓图像和标签标注信息作为随机森林模型的输入，进行分类模型训练，并调整参数，以进行包含甲状腺结节良恶性诊断以及恶性结节转移概率的计算。
优选地，甲状腺结节的良恶性判断包含两个步骤：基于结节局部特征的轮廓自动提取以及随机森林的集成识别。
优选地，本发明设计多个卷积核，从原始图像得到多层包含局部信息的3D图像，对3D图像采用K-means无监督方法对每个像素点进行聚类，从而达到轮廓自动提取的目的。
优选地，针对甲状腺结节图像的特点，改进随机森林模型，将随机森林算法进行改进，由原始的向量输入变为矩阵输入。具体地，将提取到的结节轮廓图像及多层卷积后的图像进行协方差变换，作为随机森林模型的输入，利用其具有的集成能力，得到高精度的分类识别结果。
优选地，对于随机森林算法，其中决策树利用特征来分类进而确定特征选取顺序的过程中，某个类(xi)的信息可以定义如下：
I(X＝xi)＝-log2p(xi)；
其中，I(X)用来表示随机变量的信息，p(xi)是指当xi发生时的概率。
优选地，熵是用来度量不确定性的，当熵越大，X＝xi的不确定性越大，反之越小。变量的熵定义为：
其中，xi是一个离散的随机变量，p(xi)是指xi发生时的概率。
进一步优选地，信息增益在决策树算法中是用来选择特征的指标，信息增益越大，则这个特征的选择性越好。其计算公式为：
其中，a为特征集中的一个离散特征，D为样本，当使用特征a对D进行划分时，会产生V个分支节点，Dv为第v个分支节点中包含的样本集。
优选地，在随机森林算法的投票过程中，其投票算法公式为：
进一步优选地，经投票后产生混淆表CM，它是一个nc*nc表。表中元素cm(i,j)(i≠j)表示类型i被分类为j的次数，仅当i＝j时，cm(i,j)表示类型i被分类正确的个数，其中nc为类别的总个数。
优选地，在分割出结节轮廓并确诊恶性后，根据结节周围的图像灰度分布以及患者身体指标，利用随机游走算法，计算出整个恶性结节是否发生转移，以及转移到各个方向的概率。
根据本发明优选实施例的基于超声图像的PTC诊断系统例如还可包含数据获取子单元、预处理子单元、显示界面子单元、诊断结果记录子单元及跟踪子单元等。
优选地，该系统可嫁接在已有的超声图像数据框架上，将数据传入系统中，可快速得出诊断结果，并对甲状腺结节的形态、面积以及良、恶性变化等发展状况进行监测。
优选地，可以将结节轮廓图像与本项目特有的高质量数据集和标注信息结合，对结节的良、恶性进行精准分类。
优选地，在确诊出恶性结节后，将轮廓和非轮廓区域投影到协方差矩阵，从而将整个甲状腺超声图像投影到协方差矩阵空间中，并对此空间赋予黎曼距离，得到黎曼图结构。
优选地，根据图结构中每个协方差矩阵的距离权重，采用马尔科夫链过程，计算出结节点向周围领域游走的概率大小，进而得出转移概率的估算。
进一步优选地，结节向周围游走的概率大小，用数学公式描述就是：
P(xn+1|Λ,xn-2,xn-1,xn)＝P(xn+1|xn)；
其中，Λxn-2,xn-1,xn,xn+1,xn+2Λ为状态序列，由马尔科夫链定义可知，某一时刻状态转移的概率只依赖于它的前一个状态，换而言之xn+1的状态只与xn有关；在本发明中，根据黎曼图结构中每个协方差矩阵的距离权重，采用马尔科夫链过程，便可得出转移概率。
【具体示例】
为了使本发明的技术手段、创作特征、达成目的与功效更加明了，下面结合具体实施例的示例，进一步阐述本发明。整个实施过程说明如下：
(1)数据的采集。应用先进的的高频超声设备，于海南省人民医院超声科采集一批高质量甲状腺结节图像。对于甲状腺结节超声图像，留取结节纵切面或横切面图像一帧，并留取一张纵切面或横切面的彩色血流图，至少两帧图像采集至PACS系统中；对于可疑PTC转移性淋巴结超声图像，留取纵切面不带测量的二维图像一帧，以及一帧血流图像，每个可疑淋巴结至少两帧图像采集至PACS系统中。
(2)甲状腺结节的良、恶性诊断。采集到高质量甲状腺数据后，利用计算机对甲状腺结节进行良、恶性诊断。首先采用基于结节局部特征的方法对结节轮廓进行自动分割，包括：
采用多种卷积核获得甲状腺超声图像的多层图像，然后叠成一个n层的3D图像，对每个像素点画出一个3*3的方框区域，并将方框区域的的3*3*n进行求平均得到向量V。通过V*V^T，在每个像素点上得到协方差矩阵，将其投影到黎曼空间当中。最后在黎曼空间中采用K-means聚类算法，对每个像素点进行分类，得到分割结果。
然后将提取到的轮廓图像及多层卷积后图像进行协方差变换，作为随机森林模型的输入，利用随机森林模型的集成能力得到高精度的分类识别结果。
(3)模型的建立。在分割出结节轮廓并确诊恶性后，将轮廓以及非轮廓区域投影到协方差矩阵，从而将整个甲状腺超声图像投影到协方差矩阵空间中，对此空间赋予黎曼距离，得到黎曼图结构。再根据图结构中每个协方差矩阵的距离权重，采用马尔科夫链过程，计算出结节点向周围领域游走的概率大小。
(4)诊断系统的实现。基于项目(1)得到的数据以及项目(3)建立的模型开发出诊断系统，并将系统嫁接于海南省人民医院现有平台上，在正常进行完超声图像检测后，将图像导入系统，进行诊断分析。
总之，针对术前正确诊断甲状腺乳头状癌及早期判断颈部淋巴结是否转移，本发明应用生物医学工程和影像组学的交叉方法，开发基于超声图像的PTC诊断系统及颈部淋巴结转移的预测模型，使诊断更具客观性，速度更快，结果更准确。
此外，需要说明的是，除非特别指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
Claims (9)
1.一种基于超声图像的PTC诊断系统，其特征在于包括：
基础数据采集单元，用于获取甲状腺结节超声图像数据及其病理诊断标签，而且基于结节局部特征的轮廓自动提取方法，从超声图像数据中提取甲状腺结节的轮廓；
核心算法单元，用于将已提取的结节轮廓图像和标签标注信息作为随机森林模型的输入，进行分类模型训练，并调整参数，以进行包含甲状腺结节良恶性诊断以及恶性结节转移概率的计算。
2.根据权利要求1所述的基于超声图像的PTC诊断系统，其特征在于，基础数据采集单元采用自动切割算法对图像中的每个像素点进行无监督自动分类，以将图像分成结节区域和非结节区域；而且基础数据采集单元将图像中的每个像素点的局部信息作为分类依据。
3.根据权利要求1或2所述的基于超声图像的PTC诊断系统，其特征在于，基础数据采集单元在基于结节局部特征的轮廓自动提取方法从超声图像数据中提取甲状腺结节的轮廓时执行下述处理：
采用多种卷积核获得甲状腺超声图像的多层图像；其中，卷积核指图像处理时，给定输入图像，使输入图像中一个区域像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数即为卷积核；
将多层图像叠成一个n层的3D图像，n大于等于2，然后对每个像素点画出一个3*3的方框区域，并将方框区域的3*3*n进行求平均得到向量V，获得图像的局部结构；
通过V*V^T，在每个像素点上获得协方差矩阵，并将协方差矩阵投影到黎曼空间当中；
在黎曼空间中采用基于黎曼距离的k-means聚类算法，对每个像素点进行分类，最终得到分割结果，将区域划分出来。
4.根据权利要求1或2所述的基于超声图像的PTC诊断系统，其特征在于，在对方框区域的3*3*n进行求平均，获得图像局部结构的过程中，其公式为：
其中，n为3D图像的层数，ai为单个像素点向量。
优选地，在对像素点进行分类的过程中，k-means聚类算法要优化的目标函数为：
其中，N为像素点的个数，K为聚类个数或簇数，rnk在像素点n被归类到簇K的时候为1，否则为0，μk为第K个簇的中心。
5.根据权利要求1或2所述的基于超声图像的PTC诊断系统，其特征在于，通过迭代最小化J，其中先固定μk，以选择相应的rnk作为最优；下一步则固定被选为最优的rnk，再求相应的μk；得到的J在最小的时候应该满足：
6.根据权利要求1或2所述的基于超声图像的PTC诊断系统，其特征在于，在提取了甲状腺结节的轮廓后，将轮廓投影到协方差矩阵。
7.根据权利要求1或2所述的基于超声图像的PTC诊断系统，其特征在于，核心算法单元将提取到的结节轮廓图像及多层卷积后的图像进行协方差变换，作为随机森林模型的输入。
8.根据权利要求1或2所述的基于超声图像的PTC诊断系统，其特征在于，核心算法单元根据确诊恶性的结节周围的图像灰度分布以及患者身体指标，利用随机游走算法进行计算，以判断恶性结节是否发生转移以及转移到各个方向的概率。
9.根据权利要求1或2所述的基于超声图像的PTC诊断系统，其特征在于，在随机森林算法中的决策树利用特征来分类进而确定特征选取顺序的过程中，类xi的信息定义如下：
I(X＝xi)＝-log2p(xi)；
其中，I(X)用来表示随机变量的信息，p(xi)是指当xi发生时的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010806916.1A CN112102343B (zh) | 2020-08-12 | 2020-08-12 | 基于超声图像的ptc诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010806916.1A CN112102343B (zh) | 2020-08-12 | 2020-08-12 | 基于超声图像的ptc诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102343A true CN112102343A (zh) | 2020-12-18 |
| CN112102343B CN112102343B (zh) | 2024-03-29 |
Family
ID=73753490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010806916.1A Active CN112102343B (zh) | 2020-08-12 | 2020-08-12 | 基于超声图像的ptc诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102343B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033667A (zh) * | 2021-03-26 | 2021-06-25 | 九江学院 | 一种超声图像两阶段深度学习的乳腺肿瘤分类方法和装置 |
| CN113408596A (zh) * | 2021-06-09 | 2021-09-17 | 北京小白世纪网络科技有限公司 | 病理图像的处理方法、装置、电子设备及可读存储介质 |
| CN113436150A (zh) * | 2021-06-07 | 2021-09-24 | 华中科技大学同济医学院附属同济医院 | 用于淋巴结转移风险预测的超声影像组学模型的构建方法 |
| CN113456106A (zh) * | 2021-08-03 | 2021-10-01 | 无锡祥生医疗科技股份有限公司 | 颈动脉扫查方法、装置和计算机可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101491832B1 (ko) * | 2014-05-23 | 2015-02-12 | 동국대학교 산학협력단 | 영상 선택 장치 및 방법 |
| CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及系统 |
| CN107818566A (zh) * | 2017-10-27 | 2018-03-20 | 中山大学 | 一种基于随机游走结合像素点周围局部结构信息的图像分割方法 |
| CN108416371A (zh) * | 2018-02-11 | 2018-08-17 | 艾视医疗科技成都有限公司 | 一种糖尿病性视网膜病变自动检测方法 |
| CN109036547A (zh) * | 2018-06-11 | 2018-12-18 | 燕山大学 | 一种基于聚类分析的肺部ct图像计算机辅助系统及方法 |
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN109657642A (zh) * | 2018-12-29 | 2019-04-19 | 山东建筑大学 | 一种基于黎曼距离的运动想象脑电信号分类方法及系统 |
| CN109785310A (zh) * | 2019-01-11 | 2019-05-21 | 南京信息工程大学 | 一种基于乳腺淋巴结全景图像计算的自动分期系统 |
| CN111145149A (zh) * | 2019-12-18 | 2020-05-12 | 佛山科学技术学院 | 一种基于深度学习的图像识别方法、装置及存储介质 |
| US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
-
2020
- 2020-08-12 CN CN202010806916.1A patent/CN112102343B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101491832B1 (ko) * | 2014-05-23 | 2015-02-12 | 동국대학교 산학협력단 | 영상 선택 장치 및 방법 |
| CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及系统 |
| CN107818566A (zh) * | 2017-10-27 | 2018-03-20 | 中山大学 | 一种基于随机游走结合像素点周围局部结构信息的图像分割方法 |
| CN108416371A (zh) * | 2018-02-11 | 2018-08-17 | 艾视医疗科技成都有限公司 | 一种糖尿病性视网膜病变自动检测方法 |
| CN109036547A (zh) * | 2018-06-11 | 2018-12-18 | 燕山大学 | 一种基于聚类分析的肺部ct图像计算机辅助系统及方法 |
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
| CN109657642A (zh) * | 2018-12-29 | 2019-04-19 | 山东建筑大学 | 一种基于黎曼距离的运动想象脑电信号分类方法及系统 |
| CN109785310A (zh) * | 2019-01-11 | 2019-05-21 | 南京信息工程大学 | 一种基于乳腺淋巴结全景图像计算的自动分期系统 |
| CN111145149A (zh) * | 2019-12-18 | 2020-05-12 | 佛山科学技术学院 | 一种基于深度学习的图像识别方法、装置及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| PRABAL POUDEL ET AL.: "Thyroid Ultrasound Texture Classification Using Autoregressive Features in Conjunction With Machine Learning Approaches", IEEE ACCESS, vol. 7, no. 7, pages 79354 - 79365, XP011732835, DOI: 10.1109/ACCESS.2019.2923547 * |
| 丁建睿 等: "局部特征与多示例学习结合的超声图像分类方法", 自动化学报, vol. 39, no. 6, pages 861 - 867 * |
| 王昕 等: "甲状腺结节超声图像特征提取及识别", 长春工业大学学报, vol. 38, no. 4, pages 322 - 327 * |
| 蔡雅丽 等: "计算机辅助系统在乳腺钙化性病变 X 线摄影诊断中的应用", 中国医学影像学杂志, vol. 27, no. 12, pages 910 - 913 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033667A (zh) * | 2021-03-26 | 2021-06-25 | 九江学院 | 一种超声图像两阶段深度学习的乳腺肿瘤分类方法和装置 |
| CN113033667B (zh) * | 2021-03-26 | 2023-04-18 | 浙江机电职业技术学院 | 一种超声图像两阶段深度学习的乳腺肿瘤分类方法和装置 |
| CN113436150A (zh) * | 2021-06-07 | 2021-09-24 | 华中科技大学同济医学院附属同济医院 | 用于淋巴结转移风险预测的超声影像组学模型的构建方法 |
| CN113408596A (zh) * | 2021-06-09 | 2021-09-17 | 北京小白世纪网络科技有限公司 | 病理图像的处理方法、装置、电子设备及可读存储介质 |
| CN113456106A (zh) * | 2021-08-03 | 2021-10-01 | 无锡祥生医疗科技股份有限公司 | 颈动脉扫查方法、装置和计算机可读存储介质 |
| CN113456106B (zh) * | 2021-08-03 | 2023-11-21 | 无锡祥生医疗科技股份有限公司 | 颈动脉扫查方法、装置和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112102343B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Detecting cardiovascular disease from mammograms with deep learning | |
| CN112102343B (zh) | 基于超声图像的ptc诊断系统 | |
| CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
| George et al. | Remote computer-aided breast cancer detection and diagnosis system based on cytological images | |
| Jiang et al. | Deep learning for computational cytology: A survey | |
| El-Baz et al. | Three-dimensional shape analysis using spherical harmonics for early assessment of detected lung nodules | |
| Niazi et al. | Visually meaningful histopathological features for automatic grading of prostate cancer | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| US20180053297A1 (en) | Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images | |
| JP2022547722A (ja) | 細胞検出およびセグメンテーションのための弱教師ありマルチタスク学習 | |
| Moreno et al. | Study of medical image processing techniques applied to lung cancer | |
| CN113261012B (zh) | 处理图像的方法、装置及系统 | |
| CN115471701A (zh) | 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法 | |
| Wang et al. | False positive reduction in pulmonary nodule classification using 3D texture and edge feature in CT images | |
| CN116504406A (zh) | 基于影像组合病理的肺癌术后风险模型构建方法和系统 | |
| Liu et al. | U2F-GAN: weakly supervised super-pixel segmentation in thyroid ultrasound images | |
| Cheng et al. | Detection of arterial calcification in mammograms by random walks | |
| Elseid et al. | Glaucoma detection using retinal nerve fiber layer texture features | |
| CN115132275A (zh) | 基于端到端三维卷积神经网络预测egfr基因突变状态方法 | |
| CN113870194A (zh) | 深层特征和浅层lbp特征融合的乳腺肿瘤超声图像处理装置 | |
| Yang et al. | Leveraging auxiliary information from emr for weakly supervised pulmonary nodule detection | |
| Nalla et al. | Influence of Convolutional Neural Network Depth on the Efficacy of Automated Breast Cancer Screening Systems | |
| Taneja et al. | Pancreatic cancer detection by an integrated level set-based deep learning model | |
| Thakur et al. | A systematic review of machine and deep learning techniques for the identification and classification of breast cancer through medical image modalities | |
| Boulehmi et al. | Breast masses diagnosis using supervised approaches |
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 |