[发明专利]一种基于SPECT影像的甲状腺结节性质分类方法

说明书

本发明公开了一种基于SPECT影像的甲状腺结节性质分类方法，包括：获取甲状腺的SPECT影像数据集，并将所述甲状腺的SPECT影像数据集输入甲状腺结节性质分类模型进行训练，获得完成训练的甲状腺结节性质分类模型，其中所述甲状腺结节性质分类模型的网络结构包括分类卷积神经网络和孪生神经网络；基于所述完成训练的甲状腺结节性质分类模型，输入待测SPECT影像，获得甲状腺结节性质分类结果。本发明通过独特的网络结构和对困难样本挖掘，以极少的训练样本训练出了合格的分类模型，节省了成本、提高了效率，实现了高准确率的自动分类。

技术领域

本发明涉及图像处理领域，特别是涉及一种基于SPECT影像的甲状腺结节性质分类方法。

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。

SPECT影像可以根据结节摄取核素能力的不同，把结节分为冷、凉、温、热四种结节，辅助临床判断甲状腺结节的性质。热结节表示显影剂在甲状腺结节内的显影浓度高于周围正常组织；温结节表示显影剂在甲状腺结节内的显影浓度与周围正常甲状腺组织一样；冷结节表示显影剂在甲状腺结节内的显影浓度低于周围正常本底组织；凉结节表示显影剂在甲状腺结节内的显影浓度低于正常甲状腺组织，但高于正常本底组织。其中热结节绝大部分是自主功能性腺瘤，基本可以排除恶性；温结节多为功能正常的单纯腺瘤；凉结节和冷结节则有癌的可能，一般约10％为恶性，其中单个冷结节为恶性的可能性更大，而多发冷结节则多为结节性肿、炎性结节、结节内出血或囊性结节。由此可见，SPECT影像提供的热、温、冷、凉四种结节性质的分类，具有重要的临床诊断价值。

近年来以深度学习为代表的机器学习技术，在辅助医生提高诊断准确性、降低工作强度、提高工作效率方面开始显示出其优势。深度学习在医学影像处理中取得了很多成功的应用。但是深度学习方法要求的数据量大，要求各类的数据量均衡。SEPCT影像进行甲状腺结节的性质分类判断，存在下列问题：第一，获取成本高，无法获取大量样本；第二，不同性质的甲状腺结节的发病率不同，因此无法做到甲状腺结节的不同性质的影像数量均衡。因此，已有的深度学习方法难以达到好的效果。故亟需一种足已解决现有技术中存在的问题的方法。

发明内容

本发明的目的是提供一种基于SPECT影像的甲状腺结节性质分类方法，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：

本发明提供一种基于SPECT影像的甲状腺结节性质分类方法，包括以下步骤：

获取甲状腺的SPECT影像数据集，并将所述甲状腺的SPECT影像数据集输入分类模型进行训练，获得完成训练的分类模型，其中所述分类模型的网络结构包括分类卷积神经网络和孪生神经网络；

基于所述完成训练的分类模型，输入待测SPECT影像，获得分类结果。

可选的，获取所述甲状腺的SPECT影像数据集之前，所述方法还包括：利用单光子发射计算机对甲状腺进行断层扫描，获得所述甲状腺的SPECT影像数据集。

可选的，将所述甲状腺的SPECT影像数据集输入分类模型进行训练的过程中包括：

将甲状腺SPECT影像输入所述分类卷积神经网络进行训练，训练完成后获得分类特征图，将所述分类特征图输入所述孪生神经网络；

所述孪生神经网络基于所述分类特征图进行训练，训练完成后输出分类结果。

可选的，将甲状腺SPECT影像输入所述分类卷积神经网络进行训练，获得分类特征图的过程中包括：

设置分类卷积神经网络训练循环总次数，采用N折交叉法对分类卷积神经网络进行训练；