基于迁移学习的甲状腺结节弹性超声影像分割方法

摘要

甲状腺结节弹性超声影像包含结节的硬度、形态等信息，实现甲状腺结节弹性超声的分割能够有效提高甲状腺结节诊断的准确性。基于深度学习的甲状腺结节超声影像分割取得了较好结果，然而受限于数据集规模，甲状腺结节弹性超声影像分割精度仍有待提高。针对上述问题，考虑灰阶超声影像与弹性超声影像存在共同特征，提出一种基于迁移学习的甲状腺结节弹性超声影像分割方法。首先引入大核注意力机制，构建一种大核多尺度注意力的特征提取网络，捕获丰富的甲状腺结节局部结构信息和长距离依赖关系，然后将U-Net作为骨干网络，建立甲状腺结节灰阶超声影像分割模型。在此基础上，利用条件生成对抗网络对齐灰阶超声影像（源域）和弹性超声影像（目标域）的特征分布，并采用权值共享策略，迁移灰阶超声影像分割网络特征提取层参数，建立甲状腺结节弹性超声影像分割模型，实现甲状腺结节弹性超声影像的分割。实验结果表明，所提分割方法的Dice系数、交并比、召回率、精确率结果分别为77.09%、65.20%、78.19%、81.05%。

关键词

甲状腺结节分割 / 弹性超声影像 / 迁移学习 / 多尺度注意力