《基于半監(jiān)督框架的超聲圖像分割方法實驗研究》15000字（論文）

[28]進行比較，如表4-3所示：表4-3在DDTI數(shù)據(jù)集上的方法比較方法DSC(%)IoU(%)TUS-GAN87.1277.371st89.1782.542nd87.2582.533rd86.5381.96由表4-3所示，雖然本文的方法在DSC和IoU指標上均為能超過第一名的方法，但是本文使用到了半監(jiān)督的方法，實驗結果與第一名的方法相差不大。一個可靠的分割基線是構建基于GAN的半監(jiān)督模型的第一步。為了證明所提出的分割骨干能夠保證TUS圖像獲得可靠的分割精度，本文將TUS-S網(wǎng)絡與U-Net和DeepLab兩種常用的分割模型進行了比較。比較結果如表4-4所示。表4-4用DSC、JI、HD等評價指標對TUS-S和其他方法的比較方法DSC(%)JI(%)HD(pixels)U-Net80.8469.2231.85Deeplab81.9170.9831.59TUS-S(Backbone)83.1172.4429.32根據(jù)表4-4所示的定量結果，在所有列出的方法中，基線TUS-S在DDTI測試數(shù)據(jù)集上，在DSC和JI方面可以獲得最高的區(qū)域重疊，且邊界誤差最小。因此，主干TUS-S可以為完整的TUS-GAN模型提供良好的分割基線。4.6實驗結果可視化展示甲狀腺結節(jié)超聲圖像分割系統(tǒng)的歡迎與登錄界面如圖4-8所示，主治醫(yī)師可以注冊一個自己的賬號，如圖4-8右邊所示，之后登錄自己的個人賬號進入系統(tǒng)：圖4-8系統(tǒng)的歡迎與注冊登錄界面主治醫(yī)師從未參與訓練的測試集中隨機抽取圖片與其對應的標簽進行模型測試，通過查看測試模型的分割效果以及對應指標值判斷模型分割結果是否滿足臨床分割要求，如果不滿足，醫(yī)師則返回具體的意見，我根據(jù)這些意見來調(diào)整網(wǎng)絡結構，直到滿足醫(yī)生臨床分割要求。這里我們假設模型的精度已經(jīng)滿足醫(yī)師的要求。測試模型滿足臨床要求后，進入系統(tǒng)的選擇圖像界面，如圖4-9所示：圖4-9系統(tǒng)的選擇圖像界面醫(yī)生選擇需要分割的實際病人的甲狀腺結節(jié)超聲圖像，圖4-10是確定選擇圖像及上傳分割界面：圖4-10選擇圖像界面選擇需要分割的圖像后需要設置相應的閾值，點擊上傳分割，如圖4-11所示：圖4-11確定選擇圖像并上傳界面由于每張圖片的最優(yōu)閾值不確定，所以醫(yī)生可以通過調(diào)整閾值對概率結果圖進行二值化處理，通過比較不同閾值下的分割結果圖，醫(yī)生可以保存最滿意的分割結果。輸入合適的閾值，上傳并分割后，系統(tǒng)的分割結果如圖4-12所示：圖4-12系統(tǒng)的分割結果醫(yī)生通過觀察分割結果，對病人的病情做初步判斷，在對應的位置輸入反饋信息，并點擊保存病例信息，選擇保存的文件夾，將病例信息和分割圖像保存下來，以便后續(xù)查看。圖4-13、圖4-14分別為保存后的路徑截圖和結果截圖：圖4-13保存路徑截圖圖4-14保存結果截圖醫(yī)生可以在對應的文件夾下查看近期的病例分析情況，方便醫(yī)生對病人病情的變化情況做整體的分析。

5.總結與展望5.1論文工作總結本課題以甲狀腺超聲圖像數(shù)據(jù)為目標研究工作對象，對甲狀腺超聲圖像中甲狀腺結節(jié)的半監(jiān)督圖像分割方法技術進行研究，主要的研究內(nèi)容包括對甲狀腺結節(jié)超聲圖像信息的分析及常用數(shù)據(jù)預處理技術、圖像分割系統(tǒng)網(wǎng)絡設計技術以及實現(xiàn)該圖像分割網(wǎng)絡在甲狀腺結節(jié)超聲圖像分割任務工程中的具體應用。本文的主要貢獻如下:(1)提出了一種基于半監(jiān)督學習的醫(yī)學圖像分割模型，充分利用未標注的TUS圖像提高分割的性能與精度。該方法有利于臨床的應用，增加了TUS圖像的數(shù)量，相對減少了人力和財力的成本，訓練網(wǎng)絡模型時只需要依賴于有限的人工標注的醫(yī)學圖像數(shù)據(jù)。(2)在分割模型的判別器中加入了一個雙注意力融合塊(DAF)，來約束預測的分割圖更加接近于測地真值，進而通過對抗訓練提高分割網(wǎng)絡的性能。所提出的DAF塊不僅能充分利用灰度級和幾何級信息，而且利用兩個獨立的空間注意路徑，分別從病變區(qū)域和背景區(qū)域中有效地提取出具有代表性的特征，從而提高了判別網(wǎng)絡的判別能力。(3)實現(xiàn)了一個功能比較完善的醫(yī)學圖像分割系統(tǒng)，具有友好的用戶交互界面，方便醫(yī)生根據(jù)自己及臨床的要求查看并保存分割后的結果圖像?？傮w地來看，本方向課題的研究達到了初步的預期效果，但目前仍會存在著一些相對的局限性。由于本文所獲取到的數(shù)據(jù)集樣本比較小，沒有使模型達到最好的性能與分割效果。其次，由于沒有很好的實驗設備，本文提出的網(wǎng)絡模型訓練的時間偏長。5.2下一步研究方向第一，將用戶交互界面做得更加友好。第二，調(diào)節(jié)網(wǎng)絡模型的具體參數(shù)細節(jié)，以實現(xiàn)更高的分割效果。第三，當前網(wǎng)絡模型只完成了甲狀腺結節(jié)圖像分割功能，后續(xù)將繼續(xù)研究良惡性結節(jié)的分類工作，以期達到較好的分類效果。

參考文獻ChenJ,YouH,LiK.Areviewofthyroidglandsegmentationandthyroidnodulesegmentationmethodsformedicalultrasoundimages[J].Computermethodsandprogramsinbiomedicine,2020,185:105329.MaroulisDE,SavelonasMA,KarkanisSA,etal.Computer-aidedthyroidnoduledetectioninultrasoundimages[C]//18thIEEESymposiumonComputer-BasedMedicalSystems(CBMS'05).IEEE,2005:271-276.IakovidisDK,SavelonasMA,KarkanisSA,etal.Ageneticallyoptimizedlevelsetapproachtosegmentationofthyroidultrasoundimages[J].AppliedIntelligence,2007,27(3):193-203.NugrohoHA,NugrohoA,ChoridahL.Thyroidnodulesegmentationusingactivecontourbilateralfilteringonultrasoundimages[C]//2015InternationalConferenceonQualityinResearch(QiR).IEEE,2015:43-46.GuiL,LiC,YangX.Medicalimagesegmentationbasedonlevelsetandisoperimetricconstraint[J].PhysicaMedica,2017,42:162-173.MylonaEA,SavelonasMA,MaroulisD.Automatedadjustmentofregion-basedactivecontourparametersusinglocalimagegeometry[J].IEEEtransactionsoncybernetics,2014,44(12):2757-2770.SavelonasMA,IakovidisDK,LegakisI,etal.Activecontoursguidedbyechogenicityandtexturefordelineationofthyroidnodulesinultrasoundimages[J].IEEETransactionsonInformationTechnologyinBiomedicine,2008,13(4):519-527.LiC,XuC,GuiC,etal.Distanceregularizedlevelsetevolutionanditsapplicationtoimagesegmentation[J].IEEEtransactionsonimageprocessing,2010,19(12):3243-3254.KoundalD,GuptaS,SinghS.Automateddelineationofthyroidnodulesinultrasoundimagesusingspatialneutrosophicclusteringandlevelset[J].AppliedSoftComputing,2016,40:86-97.TsantisS,DimitropoulosN,CavourasD,etal.Ahybridmulti-scalemodelforthyroidnoduleboundarydetectiononultrasoundimages[J].Computermethodsandprogramsinbiomedicine,2006,84(2-3):86-98.ZhaoJ,ZhengW,ZhangL,etal.Segmentationofultrasoundimagesofthyroidnoduleforassistingfineneedleaspirationcytology[J].Healthinformationscienceandsystems,2013,1(1):1-12.AlrubaidiWMH,PengB,YangY,etal.Aninteractivesegmentationalgorithmforthyroidnodulesinultrasoundimages[C]//InternationalConferenceonIntelligentComputing.Springer,Cham,2016:107-115.ChangCY,HuangHC,ChenSJ.Thyroidnodulesegmentationandcomponentanalysisinultrasoundimages[C]//Proceedings:APSIPAASC2009:Asia-PacificSignalandInformationProcessingAssociation,2009AnnualSummitandConference.Asia-PacificSignalandInformationProcessingAssociation,2009AnnualSummitandConference,InternationalOrganizingCommittee,2009:910-917.KeramidasEG,MaroulisD,IakovidisDK.ΤND:athyroidnoduledetectionsystemforanalysisofultrasoundimagesandvideos[J].Journalofmedicalsystems,2012,36(3):1271-1281.MaJ,WuF,JiangT,etal.Ultrasoundimage-basedthyroidnoduleautomaticsegmentationusingconvolutionalneuralnetworks[J].Internationaljournalofcomputerassistedradiologyandsurgery,2017,12(11):1895-1910.YingX,YuZ,YuR,etal.Thyroidnodulesegmentationinultrasoundimagesbasedoncascadedconvolutionalneuralnetwork[C]//InternationalConferenceonNeuralInformationProcessing.Springer,Cham,2018:373-384.ZhouJ.ThyroidTumorUltrasoundImageSegmentationBasedonImprovedGraphCut[C]//2016InternationalConferenceonIntelligentTransportation,BigData&SmartCity(ICITBS).IEEE,2016:130-133.LegakisI,SavelonasMA,MaroulisD,etal.Computer-basednodulemalignancyriskassessmentinthyroidultrasoundimages[J].InternationalJournalofComputersandApplications,2011,33(1):29-35.KwakS,HongS,HanB.Weaklysupervisedsemanticsegmentationusingsuperpixelpoolingnetwork[C]//ProceedingsoftheAAAIConferenceonArtificialIntelligence.2017,31(1).WangJ,ZhangR,WeiX,etal.Anattention-basedsemi-supervisedneuralnetworkforthyroidnodulessegmentation[C]//2019IEEEInternationalConferenceonBioinformaticsandBiomedicine(BIBM).IEEE,2019:871-876.WangQ,ZhengJ,YuH,etal.Automaticdetectionofthyroidnoduleswithultrasoundimages:Basingonsemi-supervisedlearning[C]//JournalofPhysics:ConferenceSeries.IOPPublishing,2021,1976(1):012012.GaninY,UstinovaE,AjakanH,etal.Domain-adversarialtrainingofneuralnetworks[J].Thejournalofmachinelearningresearch,2016,17(1):2096-2030.LucP,CouprieC,ChintalaS,etal.Semanticsegmentationusingadversarial