甲状腺超声图像病灶区域自动分割算法研究.pdf

目录

摘要I

ABSTRACTIII

第一章绪论1

1.1研究背景与意义1

1.2研究现状3

1.3主要研究内容5

1.4本文章节安排6

第二章相关理论基础8

2.1卷积神经网络概述8

2.2基于深度学习的医学分割方法11

2.3基于注意力机制的医学图像分割方法11

2.4基于多任务的医学图像分割方法13

2.5本章小结14

第三章甲状旁腺辅助定位和分割的双分支上下文感知网络15

3.1引言15

3.2模型框架15

3.3技术模块16

3.3.1通道和空间融合模块16

3.3.2瓶颈块设计17

3.3.3长距离特征提取器20

3.4实验与结果分析21

3.4.1数据集21

3.4.2评价指标22

3.4.3消融实验结果分析23

3.4.4不同模型分割性能比较25

3.5本章小结28

第四章甲状腺和结节位置关系的三步提取和多任务先验引导网络29

4.1引言29

4.2模型框架29

4.3技术模块30

4.3.1低成本的提取器和先验学习编码器30

4.3.2多任务区域先验引导34

4.4实验与结果分析35

4.4.1数据集35

4.4.2实验参数设置36

4.4.3消融实验结果分析36

4.4.4不同模型分割性能比较38

4.5本章小结41

第五章总结和展望43

5.1总结43

5.2展望44

参考文献45

攻读硕士期间的主要工作52

致谢53

山东师范大学硕士学位论文

摘要

术前准确判断甲状腺结节数量以及甲状旁腺位置对结节的切除和旁腺规避损伤非常

重要。通常，医生通过甲状腺超声图像来确定患者结节的数量，但是由于超声图像自身具

有查看难点，对医生来说也需要很好的技术和经验才得以确定结节和甲状旁腺。随着计算

机技术发展，医生使用计算机自动诊断系统可以在术前确定甲状旁腺和甲状腺结节的位置

和数量，有效地在术中规避甲状旁腺位置，并准确切除甲状腺结节。

早期的诊断技术分割结果往往包含了很多噪音且比较依赖于设定人工特征来对目标

病灶区域进行分割。随着自动诊断技术的提升，深度学习的方法已经在医学图像分割领域

广泛应用。本文基于深度学习技术，提出了针对甲状腺超声图像病灶区域的自动分割算法

模型，他们将分别分割甲状旁腺和位于甲状腺腺体内的甲状腺结节。本文研究的模型可以

有效地辅助定位甲状旁腺，并且具体识别出位于甲状腺内的甲状腺结节，避免了甲状腺结

节、甲状旁腺及其他淋巴组织的混淆。本文的主要工作内容如下：

1.针对甲状腺手术中因误切、误触甲状旁腺导致的甲状腺功能低下的情形，本文提

出了用于甲状旁腺辅助定位和分割的双分支上下文感知网络，在术前对甲状旁腺进行定位

和识别。该网络的双分支编码器结构包括了长距离特征提取器和特征编码器，两者的有效

结合可以有效地减轻信息衰退造成的细节损失，建立起全局和局部的特征依赖。特征编码

器在各个阶段利用多种注意力的瓶颈块设计建立局部的上下文信息。注意力的瓶颈块设计

包括残差连接瓶颈块、Transformer瓶颈块、双支降采样块，它们共同发挥了在采集超声

图像信息上不同作用。该方法能够在术前提供甲状旁腺的相关信息，在提升术后患者恢复

生活质量的同时也可以大大地避免一些不必要的医疗纠纷。

2.针对手术中易混淆甲状腺结节与甲状旁腺或其他淋巴组织，通过术前超声确定甲

状腺腺体内的甲状腺结节的数量和大小，提出了甲状腺和结节位置关系的三步提取和多任

务先验引导网络。首先，该网络将甲状腺和甲状腺结节的超声图像组合输入到训练网络中，

第二步