摘要：针对甲状腺超声图像中背景干扰及数据集规模受限的问题,提出了基于注意力机制的甲状腺超声图像感兴趣区域定位方法。采用跨尺度注意力交互策略,改进定位模型的特征网络,提高不同尺度下各层级特征的融合效率;通过知识蒸馏实现特征网络特征提取能力的强化,解决数据规模不足引起的网络过拟合问题;依据解剖学甲状腺形态统计分布设计t掩码,联合注意力掩码计算特征损失,引导网络对甲状腺超声图像关键通道和像素信息的学习,实现对甲状腺超声图像感兴趣区域的定位。实验结果表明,当IoU阈值为0.5时,甲状腺超声图像感兴趣区域定位AP达到92.7%,对辅助医生进行甲状腺疾病的诊断具有临床意义和价值。

摘要：超声是甲状腺检查的首选影像学方法。甲状腺超声影像的临床分析主要通过医生参考甲状腺影像报告和数据系统(TI-RADS)对超声图像进行特征评价量化,但特征量化结果与医生的经验、状态等主观因素相关。通过计算机辅助分析方法,可客观定量地分析超声影像特征,减少主观因素对诊断结果的影响。但已有系统多是使用经典的图像纹理特征,这类特征抽象且缺乏明确意义,难以在临床运用。通过对TI-RADS中涉及到的超声征象进行提取并量化,利用医生在临床诊断中依据经验所使用的视觉特征,设计对应的量化方法,可为甲状腺超声的标准化描述提供基础。根据这些特征,通过统计学习方法建立甲状腺结节良恶性鉴别模型,为临床诊断提供参考建议,该模型的识别正确率达到了100%。

摘要：针对由于训练图像样本较少与忽略多尺度的结构和纹理信息而导致分类性能不佳问题,为提升甲状腺结节良恶性诊断准确率,提出了集成多尺度微调卷积神经网络下的甲状腺结节超声图像识别算法.首先将图像转换成具有3种不同尺度信息作为输入数据,以便模型能够学习到图像不同尺度的特征信息,提高模型的特征提取能力;其次,通过优化3种预训练模型(AlexNet,VGG16和ResNet50)的全连接层结构和迁移学习与微调策略,构建了3种不同尺度的9个微调模型,让模型能够更好地学习源域(ImageNet)和目标域(甲状腺超声图像)上的特征差异;最后选择最优的微调模型组合并通过对模型输出类别概率的加权融合方法得到最终的集成模型,利用模型的多样性进一步提升分类性能.文中算法在真实采集的数据集上和其他算法进行对比实验,得到甲状腺结节良恶性识别的准确率为96.00%,敏感度为94.10%,特异度为97.70%,AUC为98.00%实验结果表明,该算法在这些指标上均优于传统机器学习算法和当前甲状腺结节良恶性识别领域中的其他算法,能够有效地提取出互补的视觉特征信息,具有令人满意的分类性能.