[发明专利]一种甲状腺SPECT图像分类方法

说明书

本发明公开了一种甲状腺SPECT图像分类方法，包括以下步骤：在甲状腺SPECT图像中提取人工特征；以甲状腺SPECT图像和人工特征作为输入，通过卷积神经网络对甲状腺SPECT图像分类模型进行训练，获得自动特征；将人工特征和自动特征合并输入分类器实现分类，获得分类结果；评估分类结果，合格后获得完成训练图像分类模型，进行甲状腺SPECT图像的分类。本发明将自动提取的深度特征与人工选择的特征相融合，提升了特征信息的丰富度和图像识别的效果；通过引入注意力机制，对模型提取的特征进行筛选，提升模型的特征提取能力，同时使模型训练更方便高效，实现了图像高准确率的自动分类。

技术领域

本发明涉及医学图像分类领域，特别是涉及一种甲状腺SPECT图像分类方法。

背景技术

单光子发射计算机断层成像术(Single-Photon Emission ComputedTomography,SPECT)是一种重要的核医学成像技术，对诊断甲状腺疾病具有十分重要的作用。SPECT将放射性同位素药物作为标记药物，病人通过摄入药物，使其到达需要成像的组织，由于药物的放射性衰变，该组织会向外发射γ光子，体外的二维相机将获得多个断层投影图像，断层投影图像经过重建获取最终图像。由于不同的标记药物在不同的组织间汇聚的浓度不同，可以体现出人体组织的活性强度，所以也被叫做功能性成像。和超声、CT等结构性成像不同，SPECT图像可以在人体组织结构发生异常前发现疾病，因而在实际的临床诊断中存在其独特的优点。

深度学习在基于医学图像辅助的诊断中具有非常重要的地位，常见的神经网络有卷积神经网络，循环神经网络。神经网络中每一层都能自动提取特征，而且每一层都可以在前一层的基础上提取特征，进一步提取更抽象特征，随着神经网络的加深，能提取到更深层的特征，传统机器学习人工提取的特征过程复杂且多为浅层特征。传统机器学习方法需要人工提取特征，这是一项庞大的工程且需要专业领域的知识，但深度学习能够自动地从原始图像中学习到关键特征。相较于传统机器学习，深度学习将特征提取和分类相统一，通常深度神经网络的最后一层就是分类器，能实现一个端到端的架构，更自动化，更有利调优。综上所述，深度学习相较于传统机器学习最大的两个区别在于自动提取特征和端到端的特征提取与分类统一。

目前采用深度学习方法进行自动甲状腺疾病分类，通常利用超声或者CT图像完成，已有方法效果并不好，这主要是由于SPECT图像内容单一，缺少超声或者CT图像中的甲状腺清晰的器官边缘等图像信息。对于SPECT图像目前还缺乏有效的方法实现图像自动分类。本发明提供一种SPECT图像分类方法，实现高准确率的自动分类。

发明内容

本发明的目的是提供一种甲状腺SPECT图像分类方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了如下方案：

本发明提供一种甲状腺SPECT图像分类方法，包括以下步骤：

获取甲状腺SPECT图像，从所述甲状腺SPECT图像中提取人工特征；

以所述甲状腺SPECT图像和所述人工特征作为输入，通过卷积神经网络对甲状腺SPECT图像分类模型进行训练，获得自动特征；

将所述人工特征和自动特征合并输入分类器实现分类，获得分类结果；

评估所述分类结果，合格后获得完成训练的甲状腺SPECT图像分类模型，通过所述甲状腺SPECT图像分类模型进行甲状腺SPECT图像的分类。

可选的，获取甲状腺SPECT图像中的人工特征之前，所述方法还包括：

将获取的若干张所述甲状腺SPECT图像的大小调整一致，并对每个像素进行归一化处理；

提取所述甲状腺SPECT图像中的感兴趣区域图像，其中，所述感兴趣区域图像为甲状腺部位。

可选的，获取甲状腺SPECT图像中的人工特征包括：