基于深度学习的甲状腺结节超声图像分割研究.pdf

基于深度学习的甲状腺结节超声图像分割研究

摘要

甲状腺结节是一种常见的结节类疾病，根据其不同的病理表现有着相应的良

恶性划分。其中恶性结节对人体有着较大危害，并且存在着癌变风险，及时发现

和治疗可以有效预防结节恶化，避免结节癌变。目前，超声检查是甲状腺结节临

床诊断的首选筛查方法。甲状腺结节复杂的病理特征导致诊断过程对医生临床经

验和专业知识有着较高要求，同时效率较低。随着人工智能技术的发展，深度学

习在医学图像分割领域取得了不错的效果，使用深度学习技术对超声图像中结节

病灶区域进行分割提取，以此辅助医生进行诊断治疗工作，可以极大提升诊断的

效率和准确性。但是，超声图像中甲状腺结节区域存在边缘模糊、形状尺度多变、

特征信息复杂等问题，导致其分割任务对模型性能要求较高。因此，如何合理设

计分割模型的结构以得到精确的分割结果具有很高的研究意义和临床应用价值。

本文针对甲状腺结节超声图像的特点以及目前主流分割模型存在的局限性，

结合深度学习相关技术，从图像数据集预处理和分割模型的结构设计两个方面进

行研究，旨在提高深度学习模型在面对复杂的甲状腺结节超声图像分割任务时的

性能。具体工作内容和创新如下：

（1）针对数据集中因成像机制与图像采集方式所造成的低对比度，存在散

斑噪声与人工标记等问题，本文使用对应的算法对数据集进行预处理，从而提高

图像质量，降低这些问题对后续分割任务的影响。预处理过程由人工标记去除，

图像对比度增强，滤波降噪处理以及数据归一化组成。最后，通过实验对比验证

了预处理方法的有效性。

（2）本文提出了一种以U-Net网络结构为基础的改进模型用于甲状腺结节

超声图像分割任务。使用由改进残差模块与SoftPool组成的编码路径，进行特征

提取的同时减少降采样过程中的语义信息损失。并设计了两种针对性的特征处理

模块，通过对浅层特征进行语义增强，为深层特征引入空间及细节信息指导的方

式，降低不同层级特征间存在的语义差距，提高特征融合的效率，并通过实验得

出了最优的结构安排方式。最后，通过对比实验，验证了所提出的改进模型在甲

状腺结节超声图像数据集上可以取得优秀的分割结果。

（3）本文通过对实验中的分割结果进行分析，总结出部分主流卷积神经网

络在处理甲状腺结节超声图像分割任务时所存在的局限性，即当图像中分割目标

的特征表达相对复杂时，模型难以取得较理想的分割结果。针对这一问题，本文

提出了一种基于模型关注度的双路径分割方法。在主路径中，使用卷积神经网络

在甲状腺结节分割任务上进行训练，同时通过Grad-Cam来生成网络针对不同类

别的关注度激活图，以此提取出存疑区域。在增强训练路径中，使用具有长距离

建模能力的SegFormer对存疑区域进行增强训练，并综合两条路径的输出得到最

终的分割结果。最后，通过在多个主流卷积分割网络中使用该方法进行实验对比，

证明该方法的通用性与有效性。

关键词：医学图像分割，卷积神经网络，甲状腺结节超声图像，深度学习

Researchonsegmentationofthyroidnoduleultrasound

imagesbasedondeeplearning

ABSTRACT

Thyroidnoduleisacommonnodulardisease.Accordingtoitsdifferent

pathologicalmanifestations,ithasthecorrespondingbenignandmalignant

classification.Amongthem,malignantnoduleshavegreatharmtothehumanbody,and

thereisariskofcanceration.Timelydetectionandtreatmentcaneffectivelyprevent

thedeteriorationofnodulesandavoidnodulecanceration.Atpresent,ultrasonography

isthe