基于人工智能（AI）技术联合甲状腺影像报告与数据系统（TI-RADS）分级对甲状腺结节智能诊断方法研究

发布时间：2020-10-27 18:19

　　 目的:采集来自重庆医科大学附属大学城医院RIS系统及重庆医科大学附属第一医院PACS系统职称在副主任医师以上自2017年10月到2020年1月期间所存的已经给出ACR TI-RADS分类的甲状腺超声图像,运用深度学习领域的卷积神经网络设计一基于甲状腺超声图像的ACR TI-RADS的诊断模型,为临床超声医生提供辅助诊断参考,也能用于实习医生及低年资超声医生的教学辅助。方法:收集职称在副主任医师以上自2017年10月到2020年1月期间所存的已经给出ACR TI-RADS分类的甲状腺超声图像2000病例共150000张甲状腺超声图像,并经过图像预处理、数据增强等数据集处理方法得到一可以用于卷积神经网络模型学习的数据集,运用迁移学习策略,Cosine Learning Rate Decay(余弦学习率衰减)、模型融合等方法设计并训练出一个具有较强分类性能的分类模型,评价模型的分类效果利用测试集数据进行测试,同时引入初级医生、中级医生两组医生对测试集进行读图,并对三组的读图准率率及效率进行分析。结果:经过图像的筛选,最终本实验一共采集了来自于2000个病例的甲状腺超声图像共4300张,ACR TI-RADS分级1类300张,2类500张,3类500张,4类500张,5类300张,其中采集的5类病例全部经病理结果证实为恶性病例。经过数据平衡处理及数据增强后最终得到数据量是36000张,运用数据集对已经使用迁移学习方法预训练过的VGG、Inception、ResNet、DenseNet121、Xception这5种卷积神经网络模型进行训练,筛选出分类效果最好的模型DenseNet121,再运用Cosine Learning Rate Decay及模型融合方法使模型的最高分类准确率达95.83%,最低准确率83.95%,平均准率87.87%,引入初级医生读图组、中级医生读图组读图后统计分析出模型的整体准确率明显高于初级医生读图组,与中级医生读图组持平。结论:本课题以人工智能(AI)技术在医学图像识别中的应用为研究背景,基于甲状腺超声图像,采用深度学习方法,设计并训练出的智能诊断模型对甲状腺结节的分类效果较好,且效率高,稳定性好。但是本课题研究也存在不足之处,采集的数据集规模不大,范围不广,因此在反映模型的分类性能上存在局限性。在以后的研究中可以联合更多医院的超声科,将数据集的规模及增加,这样模型的临床实用性更强,能更好的为临床超声医生作辅助诊断参考。
【学位单位】：重庆医科大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：R581;R445.1
【部分图文】：

重庆医科大学硕士研究生学位论文142.2仪器与设备图像采集设备主要包含荷兰飞利浦公司生产的HD15超声诊断仪，日本东芝公司生产的APLIO500超声诊断仪。选择每款机器配套的浅表器官诊断高频探头。执行条件：本课题的实验采用Tensorflow（谷歌张量流图）进行CNN设计与测试，整个实验运行硬件环境为4核3.3GhzCPU，32G内存，GPU为GTX1080Ti。训练整个模型耗时1h。测试阶段速度较快，加载完训练好的网络，1秒可以预测10张图片。2.3研究方法2.3.1研究的总体技术路线，如图（2）图2技术路线示意图（Schematicdiagramoftechnicalroute）2.3.2图像数据预处理

重庆医科大学硕士研究生学位论文18第3章实验结果3.1模型训练3.1.1超声图像数据采集按照纳入标准采集原始数据，本实验一共采集了来自于2000个病例的甲状腺超声图像共4300张，其中正常超声图像2200，ACRTI-RADS分级1类300张，2类500张，3类500张，4类500张，5类300张，其中采集的5类病例全部经病理结果证实为恶性病例，如图（3），我们将从PACS及RIS系统收集整理的甲状腺超声图像经过纳入及排除标准后整理成我们实验所需的甲状腺超声图像的原始数据。最终的到的原始数据按照最少类别300张作为标准，分别存储在文件夹里。图3原始图像收集示意图（Originalimagecollectiondiagram）3.1.2超声图像的预处理对筛选后的图片分别采用了两种方法进行处理，一种是将每张图像根据“2017ACRTI-RADS分级”标准按照成分、回声、形态、边缘、强回声进行打分，如图（4），其中1440张作为训练集图像，360张作为测试集图像，另一种是对图像中的结节进行标注，采用“labellmg”图像标注软件对图像进行标注，将标注后的图像1440张作为测试集，360张作为训练集，如下图（5）、图（6）。

重庆医科大学硕士研究生学位论文19图4图像处理及分类总示意图（Generalschematicdiagramofimageprocessingandclassification）图5甲状腺影像报告与数据系统评分（ACRTI-RADSCategoryscore）图6软件标注法（Softwareannotationmethod）
【相似文献】

相关期刊论文 前10条

1 张正顺;高翠霞;方耀武;;TI-RADS分级在诊断甲状腺结节良恶性方面的应用研究[J];中国超声医学杂志;2013年08期

2 张贺香;胡萍香;胡业深;肖小鹏;吴家豪;;TI-RADS分级对不同性别甲状腺结节患者的诊断价值[J];实用临床医学;2017年06期

3 B.W.Tobriner;M.Buda;J.K.Hoang;W.D.Middleton;D.Thayer;R.G.Short;王姗;;运用AI修订甲状腺结节的ACR TI-RADS危险分级：诊断准确性和实用性[J];国际医学放射学杂志;2019年05期

4 陈自勉;沈红;李祁;邵军;;TI-RADS分级在甲状腺微小癌诊断中的意义分析[J];当代临床医刊;2016年05期

5 张晓文;温德惠;董明纲;罗兴才;;TI-RADS在超声甲状腺结节定性诊断中应用研究进展[J];河北北方学院学报(自然科学版);2016年06期

6 杨丽萍;胡斌;;海岛老年人甲状腺癌TI-RADS系统筛查结果分析[J];社区医学杂志;2020年06期

7 张晓文;李林泽;;TI-RADS对甲状腺结节的鉴别诊断价值[J];山东医药;2017年04期

8 钟敏莹;石小红;杨丽丽;刘柃希;陈铃;孙鹏涛;曹荣华;;TI-RADS分类系统对不同直径甲状腺结节的诊断价值[J];中国超声医学杂志;2016年04期

9 张坦;张晟;忻晓洁;王晓庆;杨凡;;TI-RADS分级对不同年龄甲状腺结节患者的诊断价值[J];天津医药;2014年11期

10 陈晓康;陈少华;吕国荣;;超声TI-RADS分类对甲状腺结节的诊断价值[J];中国超声医学杂志;2012年12期

相关博士学位论文 前10条

1 张杰;甲状腺结节超声简化型TI-RADS分类及穿刺液PTN检测的临床研究[D];天津医科大学;2017年

2 吴集;多智能体仿真支撑技术、组织与AI算法研究[D];国防科学技术大学;2006年

3 杨胜利;冠心病患者C-反应蛋白、载脂蛋白AI基因、载脂蛋白E基因和糖蛋白Ⅲa基因多态性研究[D];新疆医科大学;2001年

4 沐建龙;陈旧性心肌梗塞病人载脂蛋白AI基因多态性[D];中国协和医科大学;1990年

5 吕新跃;北京鸭载脂蛋白AI、树鼩载脂蛋白AI、CI三个cDNA的克隆、测序及组织分布[D];中国协和医科大学;1997年

6 郑雁军;TiNi形状记忆合金丝/AI基复合材料中TiNi合金约束态相变的研究[D];大连理工大学;2000年

7 于淼;人载脂蛋白AI抑制ox-LDL诱导转基因小鼠血管平滑肌细胞增生及脂质沉积分子病理学机制的研究[D];中国协和医科大学;2003年

8 李汇华;人载脂蛋白AI转基因小鼠抗实验性动脉粥样硬化的分子病理学研究[D];中国协和医科大学;1998年

9 李艺;甲状腺结节超声弹性成像与组织病理学相关性及其影响因素研究[D];上海交通大学;2016年

10 吴文俊;影像定位-细胞病理-分子靶标的三维体系对甲状腺癌的诊断价值[D];苏州大学;2018年

相关硕士学位论文 前10条

1 邱敏;基于人工智能（AI）技术联合甲状腺影像报告与数据系统（TI-RADS）分级对甲状腺结节智能诊断方法研究[D];重庆医科大学;2020年

2 周浔丹;超声弹性成像与TI-RADS标准对甲状腺结节定性诊断的应用价值[D];郑州大学;2012年

3 刘金沙;低、高年资医师结合AI对肺结节检测效能的比较研究[D];遵义医科大学;2020年

4 胡佩云;“2018年百度AI开发者大会—智能金融论坛（节选）”模拟汉英同声传译实践报告[D];中南财经政法大学;2019年

5 王雪永;基于AI的写字楼能耗分析及控制系统[D];杭州电子科技大学;2019年

6 巫翠双;互动中的话题调控与话语语音成分“Ai”的功能研究[D];安徽师范大学;2019年

7 邱帅兵;面向AI应用的网络加速架构设计[D];西安电子科技大学;2019年

8 张莉莉;汉英交传中AI口译与人工口译衔接方式对比分析[D];大连理工大学;2019年

9 李昌伟;基于AI+视频监控的智慧城市中心系统设计与实现[D];浙江工业大学;2019年

10 史梦璐;当事人对“AI”心理咨询的知觉和体验研究[D];华中师范大学;2018年

本文编号：2858877