深度学习视角下的SPECT影像甲状腺结节辅助诊断分析

针对甲状腺结节四类性质的判别，由于温结节数量过少，实际分类难以说明效果，所以去掉温结节。将甲状腺冷、凉、热结节的三分类问题转化成凉结节与其他结节的二分类以及冷结节与热结节的二分类两个二分类问题。实际应用的时候先判断是否属于凉结节，再判断是冷结节还是热结节。凉结节与其他结节的二分类中，设计卷积网络提取的特征与手工特征融合的模型。手工特征选择的纹理特征使基于灰度共生矩阵的描述符，形态学特征是 Hu 矩。手工特征与卷积神经网络提取的深度特征融合，能丰富特征信息，提高模型识别准确率。提出的融合网络具有最高的准确率为 86.05%，同时拥有最高的平均精确率 86.21%，最高的平均召回率 86.21%以及最高的平均 F1 分数 85.07%，且均在 85%以上。与只用 SqueezeNet 进行分类相比，融合网络地各项指标都有所提升，准确率提升了 2.33%，平均精确率提升了 0.66%，平均召回率提升了 2.32%，平均 F1 分数提升了 0.86%。冷结节与热结节的二分类中，多数主流网络均能达到较好的效果，各项指标均在 90%以上，说明冷、热结节相对是更好区分的。
第 1 章 绪论

1.1 课题背景及研究意义

甲状腺是人体非常重要的器官，是人体最大的内分泌腺，其形似遁甲，故有此命名。甲状腺通过分泌甲状腺激素实现对能量产生、蛋白质合成、人体调节的控制，甲状腺激素能够促进生长发育、促进新陈代谢、提高中枢神经系统的兴奋性。因此，当甲状腺功能异常时，人体所有器官都会受到影响，导致身体易疲劳，情绪低落或者持续亢奋、焦虑、失眠，严重的会导致死亡。在我国，甲状腺疾病的发病率较高，据 2010 年发布的《中国首次十城市社区居民的甲状腺疾病流行病学调查》，甲状腺结节的患病率达 18.6%。从 2010 年到 2016 年统计数据看，甲状腺疾病的发病率具有快速上升的趋势，有 2 亿以上人口患病，超过糖尿病的患病人数 1.2 亿，但是治疗率不足 5%，远没有引起足够的重视[1]。甲状腺疾病中主要包括甲状腺功能亢进（甲亢）、甲状腺功能低下（甲减)、甲状腺炎以及甲状腺结节等。这些疾病分类的主要依据是病理和病因。目前甲状腺疾病的临床诊疗中，一般把甲状腺疾病分为以下三类：GRAVES 病、甲状腺炎和甲状腺结节。其中甲状腺结节又可分为冷结节、凉结节、温结节、热结节四类。本文主要对这三种疾病进行辅助诊断。GRAVES 病，又被称为 Basedow 病、弥漫性甲状腺肿伴功能亢进症，是一种多系统的综合征疾病，其临床表现并不只是在甲状腺，主要包括弥漫性甲状腺肿、皮损、眼征以及甲状腺肢端病等。GRAVES 病的病因目前尚不明确，但普遍认为其发病主要与遗传、精神因素以及自身免疫系统密切相关，是多种原因共同作用的结果。

1.2 国内外研究现状

计算机辅助诊断是一门交叉学科，由医学和计算机两个领域融合而来。计算机辅助诊断发展经历了提出到快速发展再到陷入低谷，其中限制计算机辅助诊断的主要因素有：对专业知识的要求高，即不同的医学图像需要大量的专业知识才能更好的解读，对专业知识的依赖强；对计算机科学发展的要求，尤其是在数据挖掘和机器学习方面，对计算机性能的要求也在此列。早期无明显症状的疾病是很难发现的，这种情况下医学影像应运而生。医学影像在临床上有很广泛的应用，为疾病诊断提供了科学和直观的依据，在病情诊断和治疗方面有不可替代的作用。基于医学图像的计算机辅助诊断在整个医学诊断中十分重要，医学成像的计算机辅助诊断系统已成为最活跃和最突出的研究领域之一。下面将从基于传统方法的医学影像计算机辅助诊断研究现状、基于深度学习的医学影像辅助诊断研究现状以及甲状腺疾病计算机辅助诊断研究现状三方面来介绍。

第 2 章 基于卷积神经网络的辅助诊断模型设计

深度学习在甲状腺疾病计算机辅助诊断领域已经成为主流方法，采用的深度学习的模型主要是卷积神经网络，卷积神经网络的结构极大地影响模型的效果，设计一个合适网络结构，可以提取到图像的关键特征，同时节省训练时间，并且具有较高的准确率等各项指标。基于卷积神经网络的辅助诊断模型设计主要包括以下三部分：数据采集与预处理、卷积神经网络的结构设计、卷积神经网络的训练与优化。

2.1 数据采集与预处理

本文采用的数据集是甲状腺 SPECT 图像，数据集包含 930 张图像，其中GRAVES 病图像 229 张，甲状腺炎图像 428 张，甲状腺结节图像 273 张，在甲状腺结节中，有四类性质的结节，其中冷结节图像 30 张，凉结节图像 199 张，温结节图像 10 张，热结节图像 34 张。每张图像是大小为 128×128 的灰度图，图 2-1 是数据集各类疾病的部分图像。从图 2-1 可知，甲状腺图片普通人凭肉眼难以分辨，需要专业的知识才能分辨出，采用深度学习的方法能学到专业医生的优秀经验，辅助医生进行临床诊断。完成数据采集后，需要对数据进行清洗[28]。数据清洗是指对数据进行重新审查和校验，旨在删除重复的信息、纠正错误的信息，保证数据一致性。本文采用的 SPECT 图片是比较干净的 jpg 格式图片，所以只需要找出医院所给的图像数据是否有重复，是否存在错误，结果发现有 202 张图片实际上只是 94 张不同图片，其中部分 22 张异类相同，72 张同类相同。经清洗后数据如下：共有

SPECT 图像 822 张，其中 GRAVES 病 187 张，甲状腺炎 420 张，甲状腺结节215 张，甲状腺结节图片中冷结节 26 张，凉结节 155 张，温结节 8 张，热结节26 张。

2.2 卷积神经网络的结构设计

在神经网络结构设计方面，对比多种主流网络，选择合适的主干网络并进行改进。对比的主流网络有 AlexNet、VGGNet、GooLeNet、ResNet，ResNeSt、DenseNet、SqueezeNet[29]。AlexNet 用 ReLU 替换传统激活函数，使用局部归一化提高模型性能，并引入 Dropout 防止过拟合，AlexNet 参数总量为 60M。VGGNet 用 VGG 块，使得网络结构更深，越深的网络参数量越大，VGG16的参数总量为 138M。GooLeNet 使用密集的 Inception 模块来近似最优的稀疏结构，增加了网络的宽度和深度，提升性能而又不大量增加计算量，参数总量为 6.8M。ResNet 引入残差网络，改善深层网络难以训练的问题，能加深网络的层数，ResNet18 的参数总量是 14M，ResNet50 的参数总量是 30M。

第 3 章 神经网络特征与手工特征融合模型设计 .................................................32

3.1 手工特征................................................................................................. 32

3.2 特征融合网络设计.................................................................................. 36

3.3 实验结果与分析...................................................................................... 37

3.4 本章小结................................................................................................. 43

第 4 章 模型可解释性 .............................................................................................44

4.1 卷积神经网络可解释性方法 ................................................................... 44

4.2 隐层表征解释方法.................................................................................. 45

4.3 敏感性分析方法...................................................................................... 48

4.4 本章小结................................................................................................. 53

第 5 章 辅助诊断软件开发.......................................................................................54

5.1 数据传输................................................................................................. 54

5.2 软件开发................................................................................................. 58

5.3 本章小结................................................................................................. 61

第 5 章 辅助诊断软件开发

在获得符合指标要求的卷积神经网络并且实现之后，需要开发相应的辅助诊断软件。本章主要内容是开发辅助诊断软件，辅助诊断软件的开发主要包括数据传输以及用户界面开发。数据传输是为了将医学图像的数据从数据库传入诊断软件中，用户界面开发时为了开发人机交互的软件界面，便于医生在临床诊断时使用。

5.1 数据传输

数据传输是指按照一定规则，经过一条或多条数据链路，把数据源的数据传输给数据终端，其主要目的是实现各系统间的信息交互与传输。本文的数据是医学影像数据，而医学影像数据主要是通过标准 DICOM 接口连接到医院的影像设备来实现数据传输的[52]。本节将介绍基于 DICOM 协议的数据传输及其具体实现。

5.1.1 基于 DICOM 协议的通讯

医学数字成像与通信（Digital Imaging and Communications in Medicine,DICOM）是医学影像的国际标准，定义了实际临床所需的可用于数据交互的医学影像格式。DICOM 被医疗设备供应商广泛认可和使用，现在已经是医学影像领域应用最广泛的标准通信协议。DICOM 网络通讯理论模型是建立在 TCP/IP 层之上的，模型最上层是DICOM Upper Layer Protoco（ULP），这部分主要负责与 TCP 进行对接，在此之上就是 DICOM 标准所给出的 DICOM 通讯模型。以 OSI 七层模型来看，DICOM 通讯模型主要包括会话层（Session）、表示层（Presentation）以及应用层（Application）。会话层的主要作用是为通讯双方制定通信方式，以及创建和注销会话。表示层主要是向不同的客户端提供数据以及信息的语法转换内码，让系统能够解读出正确的数据，同时还可以压缩解压以及加密解密。应用层的功能是直接和应用程序接口以及提供常见的网络应用服务。图 5-1 是 DICOM网络通信理论模型。

结 论

本文研究基于深度学习的 SPECT 影像甲状腺结节辅助诊断。将深度学习应用于甲状腺疾病的诊断，能有效提取各类疾病图片的特征，能学习到优秀医生的先进经验，辅助医生提高准确率，减轻医生工作强度，提高工作效率。本文的主要内容如下：

（1）针对甲状腺 GRAVES 病、甲状腺炎和甲状腺结节的三分类，设计合适的基于卷积神经网络的辅助诊断模型。基于数据集规模与最终需要在嵌入式平台实现这两点，选择轻量级网络 SqueezNet 作为基础网络，并再此基础上进行改进。在原网络的基础上引入通道注意力机制，实现特征筛选，用 Mish 函数替换 ReLU 函数，加强信息流通，同时使梯度下降效果更好。针对数据集小和数据不平衡的特点，选择旋转、剪切等数据增广方法增广数据。改进后的模型具有最高的准确率 91.02%，最高的平均精确率 91.07%，最高的平均召回率90.96%以及最高的平均 F1 分数 90.78%，相对于原始的 SqueezeNet，准确率提升了 1.2%，平均精确率提升了 1.25%，平均召回率提升了 0.51%，平均 F1 分数提升了 0.77%。

（2）针对甲状腺结节四类性质的判别，由于温结节数量过少，实际分类难以说明效果，所以去掉温结节。将甲状腺冷、凉、热结节的三分类问题转化成凉结节与其他结节的二分类以及冷结节与热结节的二分类两个二分类问题。实际应用的时候先判断是否属于凉结节，再判断是冷结节还是热结节。凉结节与其他结节的二分类中，设计卷积网络提取的特征与手工特征融合的模型。手工特征选择的纹理特征使基于灰度共生矩阵的描述符，形态学特征是 Hu 矩。手工特征与卷积神经网络提取的深度特征融合，能丰富特征信息，提高模型识别准确率。提出的融合网络具有最高的准确率为 86.05%，同时拥有最高的平均精确率 86.21%，最高的平均召回率 86.21%以及最高的平均 F1 分数 85.07%，且均在 85%以上。与只用 SqueezeNet 进行分类相比，融合网络地各项指标都有所提升，准确率提升了 2.33%，平均精确率提升了 0.66%，平均召回率提升了 2.32%，平均 F1 分数提升了 0.86%。冷结节与热结节的二分类中，多数主流网络均能达到较好的效果，各项指标均在 90%以上，说明冷、热结节相对是更好区分的。