CN113450325B - 一种甲状腺结节良恶性识别装置 - Google Patents

一种甲状腺结节良恶性识别装置 Download PDF

Info

Publication number
CN113450325B
CN113450325B CN202110716261.3A CN202110716261A CN113450325B CN 113450325 B CN113450325 B CN 113450325B CN 202110716261 A CN202110716261 A CN 202110716261A CN 113450325 B CN113450325 B CN 113450325B
Authority
CN
China
Prior art keywords
nodule
blood vessel
module
region
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.)
Active
Application number
CN202110716261.3A
Other languages
English (en)
Other versions
CN113450325A (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 CN202110716261.3A priority Critical patent/CN113450325B/zh
Publication of CN113450325A publication Critical patent/CN113450325A/zh
Application granted granted Critical
Publication of CN113450325B publication Critical patent/CN113450325B/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
    • 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
    • A61B8/488—Diagnostic techniques involving Doppler signals
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及一种甲状腺结节良恶性识别装置，包括：TDUS神经网络构建模块：用于构建TDUS神经网络；图像获取模块：用于获取关于甲状腺结节的彩色多普勒超声图像；TI‑RADS特征数据获取模块：用于获取TI‑RADS特征数据；感兴趣结节图像提取模块：用于得到感兴趣结节图像；血管信息提取模块：用于从感兴趣结节图像中提取血管信息，得到血管信息位图；血管数目探测模块：用于根据血管信息位图得到血管数目；血管分布估计模块：用于将感兴趣结节图像分为三个区域，再确定每个区域中血管信息所占的比率；甲状腺结节良恶性识别模块：用于甲状腺结节的良恶性判别。本发明通过TDUS神经网络能够有效识别甲状腺结节的良恶性。

Description

一种甲状腺结节良恶性识别装置
技术领域
本发明涉及辅助医学诊断技术领域，特别是涉及一种甲状腺结节良恶性识别装置。
背景技术
甲状腺癌是全球女性最常见的癌症之一，女性的发病率是男性的三倍。2018年，每20例女性癌症确诊病例中就有一例是甲状腺癌。超声成像是一种无创、无辐射、低成本的肿瘤诊断技术。然而由于超声图像质量较低，从超声图像中识别甲状腺结节和检测肿瘤征象是一项具有挑战性的任务。
恶性肿瘤的生长和进展很大程度上取决于它的血流。彩色多普勒超声(CDUS)是一种理想的超声成像工具，它可以反映灰度超声图像中整个区域的血流信息。然而，与目前的临床实践一样，彩色多普勒超声甲状腺图像中的彩色信号只能进行主观或半主观评价，这些方法限制了彩色多普勒超声作为常规临床工具的广泛应用。因此，一个自动、准确的肿瘤血管定量分析标准对准确诊断肿瘤至关重要。
目前还没有关于定量多普勒特征来提高甲状腺癌分类诊断水平的研究。作为一种新的方法，因此需要从彩色多普勒超声图像中提取定量特征，并进一步利用这些特征对甲状腺结节进行精确分类。
发明内容
本发明所要解决的技术问题是提供一种甲状腺结节良恶性识别装置，通过构建的TDUS神经网络能够有效识别甲状腺结节的癌变情况，且鲁棒性和准确率较高。
本发明解决其技术问题所采用的技术方案是：提供一种甲状腺结节良恶性识别装置，包括：
TDUS神经网络构建模块：用于构建基于人工神经网络的TDUS神经网络，所述人工神经网络包括输入层、隐含层和输出层；
图像获取模块：用于获取关于甲状腺结节的彩色多普勒超声图像；
TI-RADS特征数据获取模块：用于根据所述彩色多普勒超声图像获取TI-RADS特征数据，所述TI-RADS特征数据包括成分得分、回声得分、形态得分、边缘得分和强回声灶得分；
感兴趣结节图像提取模块：用于通过选取感兴趣坐标点的方式对所述彩色多普勒超声图像的甲状腺结节边界进行截取，得到感兴趣结节图像；
血管信息提取模块：用于通过彩色像素提取法和形态学闭合操作从所述感兴趣结节图像中提取血管信息，得到血管信息位图IVI；
血管数目探测模块：用于通过泛洪填充算法对所述血管信息位图IVI的中的每个带有血流信息的像素进行遍历标注，得到血管数目；
血管分布估计模块：用于将所述感兴趣结节图像分为结节整体区域、结节内部区域和结节外周区域，再确定每个区域中血管信息所占的比率；
甲状腺结节良恶性识别模块：用于将所述TI-RADS特征数据、血管数目探测模块中的血管数目，以及血管分布估计模块中的每个区域中血管信息所占的比率输入所述TDUS神经网络，并通过所述TDUS神经网络输出甲状腺结节的良恶性判别结果。
所述TDUS神经网络构建模块中的TDUS神经网络的架构包括：带有9个特征数据输入端的输入层、由10个神经元构成的隐含层，以及由2个神经元构成的输出层；所述隐含层采用tan-sigmoid变换函数，所述输出层采用线性变换函数。
所述血管信息提取模块中通过彩色像素提取法从所述感兴趣结节图像中提取血管信息，具体为：
通过公式
Figure GDA0003766514670000021
判断所述感兴趣结节图像中的像素是否为彩色像素，以将所述感兴趣结节图像中的彩色像素与灰度像素分离来提取血管信息，其中，Coloured(x,y)为基于感兴趣结节图像形成的关于血管分布的位图，G(x,y)为感兴趣结节图像中像素(x,y)的绿色通道，R(x,y)为感兴趣结节图像中像素(x,y)的红色通道，B(x,y)为感兴趣结节图像中像素(x,y)的蓝色通道，thr为预设阈值。
所述血管信息提取模块中通过形态学闭合操作从所述感兴趣结节图像中提取血管信息，具体为：
通过形态学闭合操作来闭合所述感兴趣结节图像中由于血流漩涡引起的明亮缝隙，公式为：
Figure GDA0003766514670000022
其中，IVI为血管信息位图，Coloured(x,y)为基于感兴趣结节图像形成的关于血管分布的位图，
Figure GDA0003766514670000031
为膨胀操作符号，
Figure GDA0003766514670000032
为腐蚀操作符号，SEvortex为形态学闭合操作中宽度为2像素的碟形结构元素。
所述血管数目探测模块包括：
第一判断模块：用于判断当前带有血流信息的像素是否为未标注标签；
第一标注模块：用于在当前带有血流信息的像素为未标注标签时，为当前带有血流信息的像素标注一个新标签；
第二判断模块：用于对当前带有血流信息的像素标注好新标签后，判断当前带有血流信息的像素周围的像素是否存在带有血流信息的像素；
第二标注模块：用于将标注好新标签且当前带有血流信息的像素周围的像素中带有血流信息的像素标注为与当前带有血流信息的像素相同的标签，直到所检查的当前带有血流信息的像素的周围不存在新的未标注标签的带有血流信息的像素，得到当前带有血流信息的像素对应的血管；
第三判断模块：用于判断当前带有血流信息的像素未标注标签是否为最后一个像素，若不是，则将下一个带有血流信息的像素重复所述第一判断模块、第一标注模块、第二判断模块和第二标注模块的操作，直到所有带有血流信息的像素均被标注了标签，得到所述带有血流信息的像素对应的血管数目。
所述血管分布估计模块中将所述感兴趣结节图像分为结节整体区域、结节内部区域和结节外周区域，具体为：
所述结节整体区域ROIwhole(x,y)为所述感兴趣结节图像构成的区域，所述结节内部区域ROIintranodular和结节外周区域ROIperipheral组成结节整体区域ROIwhole(x,y)；
基于所述结节整体区域ROIwhole(x,y)，通过偏移量来确定所述结节内部区域ROIintranodular和结节外周区域ROIperipheral的大小，所述偏移量通过结节整体区域ROIwhole(x,y)的最大直径来确定。
所述血管分布估计模块的结节整体区域ROIwhole(x,y)满足：ROIwhole(x,y)＝1,ifI(x,y)∈XROI，其中，I(x,y)为输入的彩色多普勒超声图像在(x,y)位置上的像素，XROI为感兴趣结节图像内所有像素的集合；
所述结节内部区域ROIintranodular满足：
Figure GDA0003766514670000041
其中，
Figure GDA0003766514670000042
为腐蚀操作符号，SEoffset为宽度为偏移量乘以结节最大直径个像素的蝶形结构元素；
所述结节外周区域ROIperipheral满足：
Figure GDA0003766514670000043
其中，∧
Figure GDA0003766514670000044
为相减符号。
所述血管分布估计模块中的偏移量为结节整体区域ROIwhole(x,y)的最大直径长度的21％。
所述血管分布估计模块中确定每个区域中血管信息所占的比率，公式为：
Figure GDA0003766514670000045
其中，VRwhole为总体血管比率且VRwhole∈[0,1]，VRperipheral为结节外周区域血管比率且VRperipheral∈[0,1]，VRintranodular为结节内部区域血管比率且VRintranodular∈[0,1]，Xwhole为结节整体区域ROIwhole(x,y)中所有坐标点的集合，Xperipheral为结节外周区域ROIperipheral中所有坐标点的集合，Xintranodular为结节内部区域中所有坐标点的集合。
所述甲状腺结节良恶性识别模块还包括：在甲状腺结节的良恶性判别之前对所述TI-RADS特征数据、所述血管数目探测模块中的血管数目，以及血管分布估计模块中的每个区域中血管信息所占的比率进行数据归一化。
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：本发明基于人工神经网络构建的TDUS神经网络具有鲁棒性和准确率较高，能够有效识别甲状腺结节的癌变情况，并且构造的神经网络结构简单，计算速度快；本发明还将传统的TI-RADS特征数据和关于血管信息的数据共同输入TDUS神经网络，使得识别结果更具说服力；本发明通过对彩色多普勒超声图像中的血管信息进行有效分析和提取，能够防止医生主观分析导致的错误，方便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是本发明实施方式的感兴趣结节图像示意图；
图3是本发明实施方式的基于感兴趣结节图像形成的血管分布的位图；
图4是本发明实施方式的闭合了血管分布的位图上有血流涡旋引起的明亮缝隙后的血管信息位图；
图5是本发明实施方式的血管信息位图中的血管标记示意图；
图6是本发明实施方式的泛洪填充算法原理示意图；
图7是本发明实施方式的血管分布估计模块中的区域划分示意图。
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结节良恶性识别装置，请参阅图1，包括：
TDUS神经网络构建模块：用于构建基于人工神经网络(ANN)的TDUS神经网络，所述人工神经网络包括输入层、隐含层和输出层；
图像获取模块：用于获取关于甲状腺结节的彩色多普勒超声(CDUS)图像；本实施方式中的彩色多普勒超声图像为基于RGB模式的图像；
TI-RADS特征数据获取模块：用于根据所述彩色多普勒超声图像获取灰度超声图像，再基于灰度超声图像提取TI-RADS特征数据，所述TI-RADS特征数据包括成分得分、回声得分、形态得分、边缘得分和强回声灶得分；
感兴趣结节图像提取模块：用于通过选取感兴趣坐标点的方式对所述彩色多普勒超声图像的甲状腺结节边界进行截取，得到感兴趣结节图像(详见图2)；
血管信息提取模块：用于通过彩色像素提取法和形态学闭合操作从所述感兴趣结节图像中提取血管信息，得到血管信息位图IVI；
血管数目探测模块：用于通过泛洪填充算法对所述血管信息位图IVI的中的每个带有血流信息的像素进行遍历标注，得到血管数目；
血管分布估计模块：用于将所述感兴趣结节图像分为结节整体区域、结节内部区域和结节外周区域，再确定每个区域中血管信息所占的比率；
甲状腺结节良恶性识别模块：用于将所述TI-RADS特征数据、血管数目探测模块中的血管数目，以及血管分布估计模块中的每个区域中血管信息所占的比率输入所述TDUS神经网络，并通过所述TDUS神经网络输出甲状腺结节的良恶性判别结果；所述甲状腺结节良恶性识别模块还包括：在甲状腺结节的良恶性判别之前对所述TI-RADS特征数据、所述血管数目探测模块中的血管数目，以及血管分布估计模块中的每个区域中血管信息所占的比率进行数据归一化。
进一步地，所述TI-RADS特征数据获取模块中的TI-RADS特征数据是医生对甲状腺结节病况判断的重要依据，因此本实施方式将TI-RADS特征数据引入并输入到最后训练好的TDUS神经网络，TI-RADS特征数据对应的5个特征数据得分，即成分得分、回声得分、形态得分、边缘得分和强回声灶得分，若这5个特征数据的分值越大，则表明患恶性肿瘤的风险越大。
进一步地，所述TDUS神经网络构建模块中的TDUS神经网络本质上实现的是一个回归求解的功能，用于寻找出输入神经元到输出神经元的最佳拟合函数。本实施方式的TDUS神经网络是一种浅层前馈网络，其架构包括：带有9个特征数据输入端的输入层、由10个神经元构成的隐含层，以及由2个神经元构成的输出层；所述隐含层采用tan-sigmoid变换函数，所述输出层采用线性变换函数。
进一步地，所述TDUS神经网络构建模块还包括：通过共轭梯度反向传播法、高斯-牛顿算法或梯度下降法来训练所述TDUS神经网络。
彩色多普勒超声(CDUS)图像与传统的超声图像的区别在于，血管部分是由彩色像素构成的，因此通过彩色像素构成的血管部分可以知晓血管分布、血流方向和血流速度。故在得到感兴趣结节图像后，需要将血管信息提取出来。
在详细介绍血管信息提取模块中的彩色像素提取法之前，先介绍一下彩色像素提取法的原理：由于彩色多普勒超声(CDUS)图像为基于RGB模式的图像，故每个所述彩色像素和灰度像素均包括红色通道、绿色通道和蓝色通道，并且每个彩色像素在红色通道、绿色通道和蓝色通道上具有不同的强度分布。本实施方式通过从绿色通道中减去红色通道或蓝色通道，以确定它们的差异是否大到可以被确定为彩色像素。
进一步地，所述血管信息提取模块中通过彩色像素提取法从所述感兴趣结节图像中提取血管信息，具体为：
通过公式
Figure GDA0003766514670000071
判断所述感兴趣结节图像中的像素是否为彩色像素，以将所述感兴趣结节图像中的彩色像素与灰度像素分离来提取血管信息，其中，Coloured(x,y)为基于感兴趣结节图像形成的关于血管分布的位图，G(x,y)为感兴趣结节图像中像素(x,y)的绿色通道，R(x,y)为感兴趣结节图像中像素(x,y)的红色通道，B(x,y)为感兴趣结节图像中像素(x,y)的蓝色通道，thr为预设阈值，本实施方式中的预设阈值thr＝48。
请参阅图3，以上方式能够从感兴趣结节图像中得到关于血管分布的位图，并且突出了感兴趣结节图像中的有色区域，但是图3所示的关于血管分布的位图并不能完整包括整个血管的信息，具体在图像上呈现为一些明亮的缝隙(即明亮的细线)，需要通过血管信息提取模块中的形态学闭合操作来去除这些明亮的细线。
进一步地，所述血管信息提取模块中通过形态学闭合操作从所述感兴趣结节图像中提取血管信息，具体为：
通过形态学闭合操作来闭合所述感兴趣结节图像中由于血流漩涡引起的明亮曲线，公式为：
Figure GDA0003766514670000072
其中，IVI为血管信息位图，Coloured(x,y)为基于感兴趣结节图像形成的关于血管分布的位图，
Figure GDA0003766514670000073
为膨胀操作符号，
Figure GDA0003766514670000074
为腐蚀操作符号，SEvortex为形态学闭合操作中宽度为2像素的碟形结构元素。
通过以上方式可以从原始的彩色多普勒超声(CDUS)图像获取到包含所有血管信息位图IVI，详见图4。
血管密度被认为与肿瘤血管生成密切相关，因此血管数目的获取对甲状腺结节的临床诊断至关重要，以下进行详细说明：
由于血管信息提取模块中的血管信息位图IVI突出显示了所有包含血管信息的像素，需要进一步研究这些含有血管信息像素的连接组合情况，以理解血管信息位图IVI中血管信息的拓扑结构，便于后续得到血管数目。
为简单起见，图5中的左侧图像仅显示血管信息位图IVI中的一部分，该左侧图像所表示的含义是里面带有数字1的三组像素的连接组合相当于3个血管，为了对这3个血管进行区分，需要进行不同标记：即标有数字1的像素连接组合为一个血管，标有数字2的像素连接组合为一个血管，标有数字3的像素连接组合为一个血管，详见图5中的右侧图像。
进一步地，所述血管数目探测模块包括：
第一判断模块：用于判断当前带有血流信息的像素是否为未标注标签；
第一标注模块：用于在当前带有血流信息的像素为未标注标签时，为当前带有血流信息的像素标注一个新标签；
第二判断模块：用于对当前带有血流信息的像素标注好新标签后，判断当前带有血流信息的像素周围的像素是否存在带有血流信息的像素；
第二标注模块：用于将标注好新标签且当前带有血流信息的像素周围的像素中带有血流信息的像素标注为与当前带有血流信息的像素相同的标签，直到所检查的当前带有血流信息的像素的周围不存在新的未标注标签的带有血流信息的像素，得到当前带有血流信息的像素对应的血管；
第三判断模块：用于判断当前带有血流信息的像素未标注标签是否为最后一个像素，若不是，则将下一个带有血流信息的像素重复所述第一判断模块、第一标注模块、第二判断模块和第二标注模块的操作，直到所有带有血流信息的像素均被标注了标签，得到所述带有血流信息的像素对应的血管数目。
进一步地，所述血管数目探测模块的实际运行过程如下：
(1)若检查的当前带有血流信息的像素未标注标签时，则为当前带有血流信息的像素标注一个新标签；
(2)检查当前带有血流信息的像素周围的像素，并将周围的像素中带有血流信息的像素标注为与当前带有血流信息的像素相同的标签；
(3)重复所述步骤(2)直到所检查的当前带有血流信息的像素的周围不存在新的未标注标签的带有血流信息的像素，得到当前带有血流信息的像素对应的血管；
(4)检查下一个带有血流信息的像素，重复所述步骤(1)至步骤(3)直到所有带有血流信息的像素均被标注了标签，步骤(1)至步骤(3)重复的次数即总的标签数，便为血管数目。
进一步地，请参阅图6，所述血管数目探测模块中的泛洪填充算法为八邻域填充法。
甲状腺结节部位的血管分布可以提供给医生丰富的信息量，并且由于甲状腺良恶性肿瘤在区域表现上有显著差异，因此血管信息的位置分布对临床诊断至关重要，以下进行详细说明：
请参阅图7，所述血管分布估计模块中将所述感兴趣结节图像分为结节整体区域、结节内部区域和结节外周区域，即将所述感兴趣结节图像分为结节整体区域ROIwhole(x,y)(对应图7中的A)、结节内部区域ROIintranodular(对应图7中的C)和结节外周区域ROIperipheral(对应图7中的D)；所述结节整体区域ROIwhole(x,y)为所述感兴趣结节图像构成的区域，所述结节内部区域ROIintranodular和结节外周区域ROIperipheral组成结节整体区域ROIwhole(x,y)。
进一步地，在不影响感兴趣结节图像整体形状和轮廓的前提下，基于所述结节整体区域ROIwhole(x,y)，通过偏移量来确定所述结节内部区域ROIintranodular和结节外周区域ROIperipheral的大小，所述偏移量通过结节整体区域ROIwhole(x,y)的最大直径来确定，即随着最大直径的百分比而变化，详见图7中的B。
所述血管分布估计模块的结节整体区域ROIwhole(x,y)满足如下公式：
ROIwhole(x,y)＝1,ifI(x,y)∈XROI
其中，I(x,y)为输入的彩色多普勒超声图像在(x,y)位置上的像素，XROI为感兴趣结节图像内所有像素的集合；
所述结节内部区域ROIintranodular满足如下公式：
Figure GDA0003766514670000091
其中，
Figure GDA0003766514670000092
为腐蚀操作符号，SEoffset为宽度为偏移量乘以结节最大直径个像素的蝶形结构元素；
所述结节外周区域ROIperipheral满足如下公式：
Figure GDA0003766514670000101
其中，∧
Figure GDA0003766514670000102
为相减符号。
进一步地，基于上述3个区域，所述血管分布估计模块中确定每个区域中血管信息所占的比率，公式为：
Figure GDA0003766514670000103
其中，VRwhole为总体血管比率且VRwhole∈[0,1]，VRperipheral为结节外周区域血管比率且VRperipheral∈[0,1]，VRintranodular为结节内部区域血管比率且VRintranodular∈[0,1]，Xwhole为结节整体区域ROIwhole(x,y)中所有坐标点的集合，Xperipheral为结节外周区域ROIperipheral中所有坐标点的集合，Xintranodular为结节内部区域中所有坐标点的集合。
值得一提的是，由于甲状腺良恶性肿瘤在区域表现上有明显差异，本实施方式使用Mann-Whitney检验法，当总体血管比率VRwhole、结节内部区域血管比率VRintranodular、结节外周区域血管比率VRperipheral基于Mann-Whitney检验中的p值满足p＜0.05，可以使得甲状腺良恶性肿瘤在区域表现上具有最显著的差异，最后确定最佳的偏移量为结节整体区域ROIwhole(x,y)的最大直径长度的21％。
最后，本实施方式通过10折交叉验证来分析TDUS神经网络的性能(90％的数据用于训练，10％的数据用于测试)，详见表1，可以得出TDUS神经网络的灵敏度为79.18％，特异度为89.88％，准确度为84.59％，该结果与高级放射科医生的结果相当(灵敏度为78.91％，特异度为92.58％，准确度为85.74％)，并且TDUS神经网络的曲线下面积(AUC)为0.898(95％CI：0.870-0.926)，表明TDUS神经网络的效果较好；当TDUS神经网络应用在外部数据中，TDUS神经网络的灵敏度为78.00％，特异度为95.00％，准确度为86.50％，优于高级放射科医生的结果(灵敏度为73.00％，特异度为89.00％，准确度为81.00％)，详见表2，表2中的灰度超声图像指的是根据彩色多普勒超声图像获取的灰度超声图像得到TI-RADS特征数据；通过上述实验再一次证明了本实施方式所提出的TDUS神经网络具有较好的准确性和鲁棒性。
表1 TDUS神经网络表现结果表
Internal dataset 准确度 灵敏度 特异度
折1(Fold1) 90.20％ 84.62％ 96.00％
折2(Fold2) 73.08％ 62.96％ 84.00％
折3(Fold3) 86.54％ 83.87％ 90.48％
折4(Fold4) 80.39％ 76.47％ 88.24％
折5(Fold5) 74.51％ 72.73％ 75.86％
折6(Fold6) 86.27％ 84.38％ 89.47％
折7(Fold7) 90.20％ 82.61％ 96.43％
折8(Fold8) 94.12％ 91.67％ 96.30％
折9(Fold9) 84.31％ 73.91％ 92.86％
折10(Fold10) 86.27％ 78.57％ 89.19％
表2实验对比结果表
Figure GDA0003766514670000111
由此可见，本发明基于人工神经网络构建的TDUS神经网络具有鲁棒性和准确率较高，能够有效识别甲状腺结节的癌变情况，并且构造的神经网络结构简单，计算速度快。

Claims (7)

1.一种甲状腺结节良恶性识别装置，其特征在于，包括：
TDUS神经网络构建模块：用于构建基于人工神经网络的TDUS神经网络，所述人工神经网络包括输入层、隐含层和输出层；
所述TDUS神经网络构建模块中的TDUS神经网络的架构包括：带有9个特征数据输入端的输入层、由10个神经元构成的隐含层，以及由2个神经元构成的输出层；所述隐含层采用tan-sigmoid变换函数，所述输出层采用线性变换函数；
图像获取模块：用于获取关于甲状腺结节的彩色多普勒超声图像；
TI-RADS特征数据获取模块：用于根据所述彩色多普勒超声图像获取TI-RADS特征数据，所述TI-RADS特征数据包括成分得分、回声得分、形态得分、边缘得分和强回声灶得分；
感兴趣结节图像提取模块：用于通过选取感兴趣坐标点的方式对所述彩色多普勒超声图像的甲状腺结节边界进行截取，得到感兴趣结节图像；
血管信息提取模块：用于通过彩色像素提取法和形态学闭合操作从所述感兴趣结节图像中提取血管信息，得到血管信息位图IVI；
所述血管信息提取模块中通过彩色像素提取法从所述感兴趣结节图像中提取血管信息，具体为：
通过公式
Figure FDA0003766514660000011
判断所述感兴趣结节图像中的像素是否为彩色像素，以将所述感兴趣结节图像中的彩色像素与灰度像素分离来提取血管信息，其中，Coloured(x,y)为基于感兴趣结节图像形成的关于血管分布的位图，G(x,y)为感兴趣结节图像中像素(x,y)的绿色通道，R(x,y)为感兴趣结节图像中像素(x,y)的红色通道，B(x,y)为感兴趣结节图像中像素(x,y)的蓝色通道，thr为预设阈值；
所述血管信息提取模块中通过形态学闭合操作从所述感兴趣结节图像中提取血管信息，具体为：
通过形态学闭合操作来闭合所述感兴趣结节图像中由于血流漩涡引起的明亮缝隙，公式为：
Figure FDA0003766514660000012
其中，IVI为血管信息位图，Coloured(x,y)为基于感兴趣结节图像形成的关于血管分布的位图，
Figure FDA0003766514660000021
为膨胀操作符号，
Figure FDA0003766514660000022
为腐蚀操作符号，SEvortex为形态学闭合操作中宽度为2像素的碟形结构元素；
血管数目探测模块：用于通过泛洪填充算法对所述血管信息位图IVI的中的每个带有血流信息的像素进行遍历标注，得到血管数目；
血管分布估计模块：用于将所述感兴趣结节图像分为结节整体区域、结节内部区域和结节外周区域，再确定每个区域中血管信息所占的比率；
甲状腺结节良恶性识别模块：用于将所述TI-RADS特征数据、血管数目探测模块中的血管数目，以及血管分布估计模块中的每个区域中血管信息所占的比率输入所述TDUS神经网络，并通过所述TDUS神经网络输出甲状腺结节的良恶性判别结果。
2.根据权利要求1所述的甲状腺结节良恶性识别装置，其特征在于，所述血管数目探测模块包括：
第一判断模块：用于判断当前带有血流信息的像素是否为未标注标签；
第一标注模块：用于在当前带有血流信息的像素为未标注标签时，为当前带有血流信息的像素标注一个新标签；
第二判断模块：用于对当前带有血流信息的像素标注好新标签后，判断当前带有血流信息的像素周围的像素是否存在带有血流信息的像素；
第二标注模块：用于将标注好新标签且当前带有血流信息的像素周围的像素中带有血流信息的像素标注为与当前带有血流信息的像素相同的标签，直到所检查的当前带有血流信息的像素的周围不存在新的未标注标签的带有血流信息的像素，得到当前带有血流信息的像素对应的血管；
第三判断模块：用于判断当前带有血流信息的像素未标注标签是否为最后一个像素，若不是，则将下一个带有血流信息的像素重复所述第一判断模块、第一标注模块、第二判断模块和第二标注模块的操作，直到所有带有血流信息的像素均被标注了标签，得到所述带有血流信息的像素对应的血管数目。
3.根据权利要求1所述的甲状腺结节良恶性识别装置，其特征在于，所述血管分布估计模块中将所述感兴趣结节图像分为结节整体区域、结节内部区域和结节外周区域，具体为：
所述结节整体区域ROIwhole(x,y)为所述感兴趣结节图像构成的区域，所述结节内部区域ROIintranodular和结节外周区域ROIperipheral组成结节整体区域ROIwhole(x,y)；
基于所述结节整体区域ROIwhole(x,y)，通过偏移量来确定所述结节内部区域ROIintranodular和结节外周区域ROIperipheral的大小，所述偏移量通过结节整体区域ROIwhole(x,y)的最大直径来确定。
4.根据权利要求3所述的甲状腺结节良恶性识别装置，其特征在于，所述血管分布估计模块的结节整体区域ROIwhole(x,y)满足：ROIwhole(x,y)＝1,if I(x,y)∈XROI，其中，I(x,y)为输入的彩色多普勒超声图像在(x,y)位置上的像素，XROI为感兴趣结节图像内所有像素的集合；
所述结节内部区域ROIintranodular满足：
Figure FDA0003766514660000031
其中，
Figure FDA0003766514660000032
为腐蚀操作符号，SEoffset为宽度为偏移量乘以结节最大直径个像素的蝶形结构元素；
所述结节外周区域ROIperipheral满足：
Figure FDA0003766514660000033
其中，
Figure FDA0003766514660000034
为相减符号。
5.根据权利要求3所述的甲状腺结节良恶性识别装置，其特征在于，所述血管分布估计模块中的偏移量为结节整体区域ROIwhole(x,y)的最大直径长度的21％。
6.根据权利要求1所述的甲状腺结节良恶性识别装置，其特征在于，所述血管分布估计模块中确定每个区域中血管信息所占的比率，公式为：
Figure FDA0003766514660000035
其中，VRwhole为总体血管比率且VRwhole∈[0,1]，VRperipheral为结节外周区域血管比率且VRperipheral∈[0,1]，VRintranodular为结节内部区域血管比率且VRintranodular∈[0,1]，Xwhole为结节整体区域ROIwhole(x,y)中所有坐标点的集合，Xperipheral为结节外周区域ROIperipheral中所有坐标点的集合，Xintranodular为结节内部区域中所有坐标点的集合。
7.根据权利要求1所述的甲状腺结节良恶性识别装置，其特征在于，所述甲状腺结节良恶性识别模块还包括：在甲状腺结节的良恶性判别之前对所述TI-RADS特征数据、所述血管数目探测模块中的血管数目，以及血管分布估计模块中的每个区域中血管信息所占的比率进行数据归一化。
CN202110716261.3A 2021-06-28 2021-06-28 一种甲状腺结节良恶性识别装置 Active CN113450325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110716261.3A CN113450325B (zh) 2021-06-28 2021-06-28 一种甲状腺结节良恶性识别装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110716261.3A CN113450325B (zh) 2021-06-28 2021-06-28 一种甲状腺结节良恶性识别装置

Publications (2)

Publication Number Publication Date
CN113450325A CN113450325A (zh) 2021-09-28
CN113450325B true CN113450325B (zh) 2022-09-09

Family

ID=77813068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110716261.3A Active CN113450325B (zh) 2021-06-28 2021-06-28 一种甲状腺结节良恶性识别装置

Country Status (1)

Country Link
CN (1) CN113450325B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113940701B (zh) * 2021-10-11 2024-10-18 什维新智医疗科技(上海)有限公司 一种基于甲状腺的气管和血管检测装置
CN113940702B (zh) * 2021-10-11 2024-08-23 什维新智医疗科技(上海)有限公司 一种甲状腺结节回声分析装置
CN114926389B (zh) * 2022-03-30 2024-07-09 什维新智医疗科技(上海)有限公司 一种超声图像的弹性信号提取装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109830300A (zh) * 2019-02-21 2019-05-31 暨南大学 甲状腺结节分析方法、装置、计算机设备及可读存储介质
CN110084320A (zh) * 2019-05-08 2019-08-02 广东工业大学 甲状腺乳头状癌超声图像识别方法、装置、系统及介质
CN111145313A (zh) * 2019-12-30 2020-05-12 北京东方逸腾数码医疗设备技术有限公司 血管矢量图模型中添加单点定位图例的方法及装置
CN111462047A (zh) * 2020-03-06 2020-07-28 深圳睿心智能医疗科技有限公司 血管参数测量方法、装置、计算机设备和存储介质
CN112819755A (zh) * 2021-01-14 2021-05-18 北京小白世纪网络科技有限公司 一种甲状腺的结节ti-rads分级系统及方法
CN112842394A (zh) * 2019-11-27 2021-05-28 深圳迈瑞生物医疗电子股份有限公司 一种超声成像系统及超声成像方法、存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8047993B2 (en) * 2004-12-08 2011-11-01 Industrial Technology Research Institute Quantitative non-invasive method for detecting degree of malignancy in tumors and application thereof
CN108389214B (zh) * 2018-03-06 2022-03-01 青岛海信医疗设备股份有限公司 超声图像的处理方法及装置、电子设备、存储介质
CN110321968B (zh) * 2019-07-11 2023-05-05 广东工业大学 一种超声图像分类装置
CN111652838B (zh) * 2020-04-16 2022-09-09 上海长征医院 基于目标检测网络的甲状腺结节定位与超声报告纠错方法
CN111612752A (zh) * 2020-05-15 2020-09-01 江苏省人民医院（南京医科大学第一附属医院） 基于Faster-RCNN的超声图像甲状腺结节智能检测系统
CN112529894B (zh) * 2020-12-22 2022-02-15 徐州医科大学 一种基于深度学习网络的甲状腺结节的诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109830300A (zh) * 2019-02-21 2019-05-31 暨南大学 甲状腺结节分析方法、装置、计算机设备及可读存储介质
CN110084320A (zh) * 2019-05-08 2019-08-02 广东工业大学 甲状腺乳头状癌超声图像识别方法、装置、系统及介质
CN112842394A (zh) * 2019-11-27 2021-05-28 深圳迈瑞生物医疗电子股份有限公司 一种超声成像系统及超声成像方法、存储介质
CN111145313A (zh) * 2019-12-30 2020-05-12 北京东方逸腾数码医疗设备技术有限公司 血管矢量图模型中添加单点定位图例的方法及装置
CN111462047A (zh) * 2020-03-06 2020-07-28 深圳睿心智能医疗科技有限公司 血管参数测量方法、装置、计算机设备和存储介质
CN112819755A (zh) * 2021-01-14 2021-05-18 北京小白世纪网络科技有限公司 一种甲状腺的结节ti-rads分级系统及方法

Also Published As

Publication number Publication date
CN113450325A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN113450325B (zh) 一种甲状腺结节良恶性识别装置
Mendonça et al. Ph2: A public database for the analysis of dermoscopic images
CN107798679B (zh) 乳腺钼靶图像乳房区域分割与钙化点检测方法
WO2021258651A1 (zh) 一种检测循环异常细胞的方法及装置
CN111028206A (zh) 一种基于深度学习前列腺癌自动检测和分类系统
KR101953627B1 (ko) 다중 파라메터 자기공명영상에서 전립선 주변부 영역의 전립선암 자동 검출 및 국소화 방법
US20140018681A1 (en) Ultrasound imaging breast tumor detection and diagnostic system and method
CN113450327B (zh) 一种甲状腺结节的血管分布信息识别装置
US20100183210A1 (en) Computer-assisted analysis of colonic polyps by morphology in medical images
Xu et al. Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients
CN116912255B (zh) 一种用于卵巢组织分析的卵泡区域分割方法
Liu et al. Acetowhite region segmentation in uterine cervix images using a registered ratio image
CN113393452B (zh) 一种甲状腺结节血管数目探测装置
Oikawa et al. Pathological diagnosis of gastric cancers with a novel computerized analysis system
CN113450326B (zh) 一种甲状腺结节的血管信息提取装置
Huang et al. Recognition of transrectal ultrasound prostate image based on HOG-LBP
CN114764855A (zh) 基于深度学习的膀胱镜下肿瘤智能分割方法、装置及设备
Rashid et al. Segmenting melanoma lesion using single shot detector (SSD) and level set segmentation technique
US11361437B2 (en) Analysis of prostate glands using three-dimensional (3D) morphology features of prostate from 3D pathology images
Çayır et al. Patch-based approaches to whole slide histologic grading of breast cancer using convolutional neural networks
Kuo et al. Automated assessment in HER-2/neu immunohistochemical expression of breast cancer
Nandanwar et al. Analysis of pixel intensity variation by performing morphological operations for image segmentation on cervical cancer pap smear image
Siddique et al. Effective Segmentation of Liver CT images using Marker Controlled Watershed Algorithm
Rmili et al. Nuclei segmentation approach for digestive neuroendocrine tumors analysis using optimized color space conversion
CN115880287B (zh) 一种脑白质高信号病灶区域分割及评级装置

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