论文部分内容阅读
甲状腺结节是甲状腺常见病变,恶性结节即甲状腺癌是目前世界上最常见的内分泌疾病之一,严重威胁着人们的健康。近年来甲状腺结节的发病率不断上升,超声以其无创伤,成像快,成本低,无辐射等优点成为甲状腺结节早期临床诊断的主要手段。其中,对甲状腺超声图像的分析主要依赖于放射科医生在临床实践中的积累的理论基础和实践经验,仅依靠人工阅片往往会导致诊断结果的主观性,并且加重了医生的工作负担。甲状腺结节自动检测可以为后续结节的良恶性评级准确并快速地提供病变位置,有效避免医生人工定位造成的观察者偏差,减轻临床实践时医生的工作量,是计算机辅助医学诊断的重要研究课题。但超声图像具有斑点噪声多,分辨率低等固有缺点,并且甲状腺超声表现中结节的大小不一,形状不规则,边缘模糊,和血管等组织器官回声相近等问题,成为甲状腺结节自动检测的研究中的难点。本文提出了一种基于主流目标检测网络Faster R-CNN框架的优化检测算法,用于超声图像中甲状腺结节的准确实时检测,为医生的临床诊断提供客观参考。本文分析了甲状腺超声图像中结节的主要特点,有针对性地对目标检测网络Faster R-CNN进行改进,提出了一种基于深度学习的准确快速的甲状腺结节检测框架。主要的改进包括数据增广的应用,特征金字塔和可变形卷积的引入,以及默认锚框的选择和设计。实验中通过对比各主流检测网络在甲状腺结节检测方面的初步表现结果,选择Faster R-CNN作为本实验的基本网络框架并予以改进。实验结果表明,本文提出的改进网络能够更准确、快速地定位结节区域。交叉验证的平均检测精度(mean Average Precision,简记为m AP)达到92.72%,检测速度加快到15 fps左右。和医生正常阅片的对照实验体现了该自动检测方法相较于人工定位的客观性和优越性,证明了其在临床辅助甲状腺图像判读上的价值。本文提出的优化检测算法,可以自动检测超声图像中的甲状腺结节,为临床检查提供客观参考,帮助缺乏经验的社区医生进行准确和快速的甲状腺结节诊断,减轻医生负担。同时,临床医生认为,在样本充足的情况下,该方法对腮腺、颌下腺等浅表器官超声图像具有一定通用性。下一步工作将集中在算法优化以及探索该方法应用于其他器官的潜力上。