基于超声影像的甲状腺结节智能分割算法

• 作者: 曹玉珍 郑洁 余辉 王飞 张杰
• 来源期刊: 天津大学学报
• 学科: 工学
• 关键词: 甲状腺结节 超声影像 Transformer 残差轴向注意力
• 年，卷（期）: 2022,（7）
• 页码范围: 674-681
• 页数: 8页
• 分类号: TK448.21
• 语种: 中文
• DOI: 10.11784/tdxbz202106048

摘要

基于超声影像对甲状腺结节进行精准分割,可以得到病变区域的生理参数信息,从而对甲状腺结节的早期筛查和诊断定性.为实现甲状腺结节的精准分割,提出了一种基于Transformer编码的多层次特征融合网络.针对不同患者的甲状腺结节大小和其在甲状腺超声图像中所处的位置均存在较大差异的特点,该模型以Transformer结构作为特征提取器,使各层次特征的计算都在更大、更灵活的感受野上进行;以CNN作为特征解码器,对编码器所获得的特征进行重构,并降低算法复杂度.编码器与解码器之间采用长距离跳跃连接的方式相连.利用局部-全局策略学习甲状腺超声图像中浅层的全局特征和深层的局部特征.此外,通过将模型中的多头注意力机制改进为残差轴向注意力机制,学习到了甲状腺结节中更多的方向纹理特征.实验数据来源于天津医科大学总医院超声影像科,通过对3828例样本采用旋转变换、翻转变换和随机裁剪3种数据增强方法,得到15312例甲状腺超声图像.经过多轮迭代训练,得到测试集样本上的Dice系数为92.2％,交并比为85.5％.相同数据集上的对比实验表明:相对于全卷积神经网络,该算法在Dice系数上提升了5％～8％,在交并比上提升了7％～13％,模型参数量平均降低了5.67×106,精准地实现了甲状腺结节的全自动分割,降低了模型复杂度,具有一定的临床价值.