基于深度学习的甲状腺结节超声图像分割算法研究

发布时间：2025-06-24 06:09

　　近年来,医学影像与人工智能的结合成为数字医疗产业的研究热点。人工智能技术处理医学影像并参与医疗诊断已经成为图像处理领域重要的研究方向,医学图像分割是其中最为重要的研究热点之一。本文基于全卷积神经网络对甲状腺结节超声图像进行分割。针对超声图像分辨率低、干扰信息多带来的分割困难、准确率低等问题,论文提出逐层语义分割算法,主要分为三个层次:首先是甲状腺超声图像ROI分割,使用下采样与上采样完全对应的全卷积神经网络结构,可以去除原始超声图像四周的仪器信息等干扰,提取出超声反射区域;其次,在上述超声图像ROI区域进行甲状腺结节的粗定位,包括人工标记检测、定位以及根据人工标记定位结节,可以将结节之外的血管等超声干扰区域去掉;最后对粗定位结节进行精细分割,使用以VGG19作为下采样层的深度全卷积神经网络结构对甲状腺结节粗定位图像进行特征提取及分割。算法通过三级串联层逐步减少超声图像中的各种干扰信息,最终大幅提高结节分割准确性。论文以天津医科大学肿瘤医院提供的甲状腺超声图像作为数据集,将逐层分割模型的训练结果与不进行ROI分割与粗定位的原始超声图像结节分割以及不进行粗定位的超声图像ROI区域结节分割的结...

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图1-1甲状腺超声图像逐层分割算法

本文的主要研究内容为逐层的甲状腺结节超声图像分割算法。包括甲状腺超声图像ROI的语义分割,ROI图像上甲状腺结节粗定位,粗定位图像上甲状腺结节细致的语义分割三个主要部分,如图1-1所示。第一步,算法的输入为原始甲状腺超声图像,经过ROI语义分割模型得到ROI预测图,并将预测图对应....

图2-1图像语义分割示意图[22]

图像语义分割将图像按照不同的语义划分为不同的区域,并通过不同的颜色来可视化标注出这些区域所代表的物体的类别。如图2-1所示,图像的语义分割可以通过不同的色彩标识出输入图像中的摩托车、骑手和背景。因此,语义分割是密集的像素级预测。2.1.1语义分割评价指标

图2-2甲状腺超声图像ROI分割数据示意图

本文在天津医科大学肿瘤医院的帮助下制作了甲状腺超声图像的数据集。数据集中共包含1000个病人的甲状腺超声图像,其中训练集800张,测试集200张。在专业放射科医生的指导下使用标注工具分别每张超声图像进行ROI标注和结节轮廓标注。标注工具提供矩形轮廓绘制与任意轮廓绘制,完成绘制后自....

图2-3甲状腺超声粗定位图像结节分割数据集示意图

对结节轮廓标注完成后,将标注图像由其他专业放射科医生审查,对标注不合格的图像进行重新标注,从而提高图像标注的可信度。将分别将两类原始图像与标签图像分别放入image与annotation目录中,原始图像与对于标签文件名相同,得到甲状腺超声图像ROI分割数据集与粗定位图像结节分割数....

本文编号：4052602