基于超声TDA的甲状腺结节良恶性特征提取方法和系统

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于超声TDA的甲状腺结节良恶性特征提取方法和系统。

背景技术

甲状腺结节作为最常见的结节性病变之一，在成年人群中经常被诊断出来，临床上的患病率约为19％至68％。根据2018年全球癌症统计，甲状腺癌的发病率排名第九，死亡率排名第六。尽管大多数结节是良性(非癌性)，但其中一小部分含有甲状腺癌，如果早期诊断，仍然是可以治愈的。因此通过无创的方法准确区分甲状腺结节的良恶性不仅可以减少潜在的患者癌症风险，也可以避免不必要的细针抽吸(FNA)和/或手术。

超声扫描作为一种实时、方便、廉价和非侵入性的成像方法，已成为广泛使用的甲状腺结节诊断工具。在临床检查中，放射科医生通常通过观察一些重要的超声特征，如成分、回声性、形状和边缘特性等来识别甲状腺结节的良恶性。然而，由于质量、分辨率和对比度相对较低，以及散斑噪声和回声扰动，超声甲状腺结节评估严重依赖于放射科医生的临床经验，因此诊断结果具有主观性。

为了解决这个问题，过往的研究中提出了许多用于超声图像中甲状腺结节诊断的计算机辅助诊断方法，但是目前流行的较多为直接将超声图像输入到深度学习网络中进行模型构建，深度学习作为黑匣子，即便是获得了很高的准确性，但是依然让医生和患者难以完全信服诊断结果。因此，此类计算机辅助诊断方法的可解释性较低，严重影响方法和模型在临床上的推广使用。

TDA(拓扑数据分析)是一种新型的研究形状的数学方法，是一种数学工具，具有强可解释性和表征性，已经被证实可以用于肿瘤疾病的量化和诊断中，目前尚未有研究将TDA用到超声图像上，尤其是甲状腺结节的良恶性诊断。

因此，为了实现更高可解释性的超声甲状腺结节自动诊断方法，更高效的辅助临床医生进行临床诊断，本工作创新性的将TDA技术应用到超声甲状腺图像中，用于从超声图像中量化甲状腺结节的拓扑特性，用于良恶性识别。因此，设计出基于超声拓扑数据分析的甲状腺结节良恶性诊断方法和系统对于临床早期诊断和早期治疗具有重要的意义。然而目前尚缺乏相关技术研究。

发明内容

针对现有技术的缺陷，本发明提供一种基于超声TDA的甲状腺结节良恶性特征提取方法和系统，目的在于构建一套超声拓扑数据分析的特征提取方法，实现准确的甲状腺结节良恶性智能预测。

为实现上述技术目的，本发明采用的技术方案是：

一种基于超声TDA的甲状腺结节良恶性特征提取方法，包括如下步骤：

步骤1，获取患者的B模式超声图像，基于自动分割模型分割超声图像中的甲状腺结节；

步骤2，通过拓扑数据分析方法，量化甲状腺超声区域的拓扑信息，计算得到TDA特征；

步骤3，基于自动机器学习算法，构建基于TDA的甲状腺结节良恶性诊断模型。

优选的，步骤1中，所述自动分割模型是基于视觉基础模型SAM进行迁移学习得到的。

优选的，步骤2中，所述拓扑数据分析包括图像滤波处理、计算持久图、计算TDA特征和TDA特征可视化。

优选的，所述图像滤波处理选择高斯滤波、非局部均值滤波、流形滤波、直方图均衡滤波、高度滤波、密度滤波、径向滤波、扩张过滤、侵蚀过滤或符号距离过滤。

优选的，所述TDA特征包括entropy、betti和landscape三类特征；所述TDA特征可视化的结果包括betti曲线和landscape图。

优选的，步骤3中，所述构建基于TDA的甲状腺结节良恶性诊断模型，是通过将TDA特征平铺后输入到自动机器学习算法中构建机器学习诊断模型。

本发明还提供一种基于超声TDA的甲状腺结节良恶性分级诊断系统，包括：

超声图像存储模块，用于获取、存储甲状腺超声图像数据；

甲状腺分割模块，用于自动勾画出超声图像中的甲状腺结节区域；

拓扑数据分析模块，用于处理超声图像，量化结节区域的TDA特征，并进行TDA结果可视化；

自动诊断模块，基于TDA信息进行识别，诊断甲状腺结节的良恶性分级。

优选的，所述甲状腺分割模块集成有SAM分割模型，所述自动诊断模块集成了TDA机器学习模型，TDA机器学习模型是基于超声甲状腺结节的TDA特征和自动机器学习算法构建的。

本发明还提供一种计算机可读存储介质，其上存储有用于实现上述的基于超声TDA的甲状腺结节良恶性特征构建方法的计算机程序，或用于实现上述的基于超声TDA的甲状腺结节良恶性分级诊断系统的计算机程序。

本发明的特征构建方法，基于拓扑数据分析方法，实现了基于超声图像的甲状腺自动分割、拓扑特征提取、拓扑特征可视化和良恶性智能诊断。通过创新性的构建超声TDA技术，本发明具有较高的超声甲状腺结节良恶性诊断的准确率外，还具有很强的可解释性，能够满足临床的应用需求，辅助临床和患者进行精准诊断和治疗决策支持，为该类疾病的早期诊断和早期治疗提供技术支持。考虑到该计算机辅助诊断技术相比较过往技术，采用了拓扑数据分析方法，兼具高准确性和可解释性，因此，本发明具有很好的应用前景。

显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。

以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。

附图说明

图1为本发明实施例1的流程示意图。

图2为本发明实施例2的流程示意图。

具体实施方式

需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。

实施例1用于超声甲状腺结节良恶性诊断的拓扑数据分析方法

如图1所示，本实施例提供了一整套流程的基于超声拓扑数据分析(TDA)的甲状腺结节良恶性特征提取方法，包括：

S1，收集和构建甲状腺超声数据库，基于病理报告确定良恶性分类便签；将数据集分为训练集(1000张)和测试集(200张)；训练集中用于TDA模型的构建，测试集进行方法的验证评估。

S2，基于视觉基础模型SAM进行迁移学习微调，得到甲状腺结节自动分割模型，用于超声图像中甲状腺结节的提取；

S3，通过拓扑数据分析(TDA)方法，量化甲状腺超声区域的拓扑信息，计算得到TDA特征；

具体包括如下步骤：

S31，图像滤波处理；图像滤板处理可以选择高斯滤波、非局部均值滤波、流形滤波、直方图均衡滤波、高度滤波、密度滤波、径向滤波、扩张过滤、侵蚀过滤或符号距离过滤；

S32，计算持久图；持久同源为数学分析方法，用于表征和量化拓扑数据；

S33，计算TDA特征；基于持久性图，可以提取TDA特征，包括entropy、betti和landscape三类特征；

S34，TDA特征可视化；基于TDA特征，可以进行betti曲线和landscape图的可视化呈现，临床医生可以通过曲线来区分良恶性结节；

S4，基于自动机器学习算法，构建基于TDA的甲状腺结节良恶性诊断模型。

具体的，通过将TDA特征平铺后输入到自动机器学习算法中构建机器学习诊断模型。在测试集中进行验证，可以达到92％的准确性诊断，可以用于临床应用。

实施例2基于超声TDA的甲状腺结节良恶性分级诊断系统

如图2所示，本实施例提供了一种基于超声拓扑数据分析的甲状腺结节良恶性分级诊断系统，包括：

超声图像存储模块，用于获取、存储甲状腺超声图像数据；

甲状腺分割模块，用于自动勾画出超声图像中的甲状腺结节区域；

拓扑数据分析模块，用于处理超声图像，量化结节区域的TDA特征，并进行TDA结果可视化；

自动诊断模块，基于TDA信息进行识别，诊断甲状腺结节的良恶性分级。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。