基于卷積神經網絡的甲狀腺影像診斷研究

李立 董現玲 劉會玲

摘? 要：隨著卷積神經網絡在醫療圖像領域的成功應用，進一步推動了醫學影像設備性能的提升。通過利用卷積神經網絡方法，對甲狀腺影像進行系統的分析，有效預測患者的病情發展態勢，切實保障診斷效率的提高，整體看具有較為顯著的臨床應用價值。鑒于此，該文通過分析卷積神經網絡的基本結構、工作機制、基本特點，探討基于卷積神經網絡的甲狀腺影像識別方法，并為甲狀腺影像診斷提出幾點思考，以期有效推動卷積神經網絡在甲狀腺影像診斷中的應用改革進程。

關鍵詞：甲狀腺疾病? 醫學影像? 卷積神經網絡? 神經網絡模型

Abstract： With the successful application of convolutional neural network in the field of medical imaging， the performance of medical imaging equipment is further improved. Through the use of convolution neural network method， systematic analysis of thyroid imaging can effectively predict the development trend of the patient's condition and effectively ensure the improvement of diagnosis efficiency， which has a more significant clinical application value. In view of this， this paper analyzes the basic structure， working mechanism and basic characteristics of convolutional neural network， discusses the thyroid image recognition method based on convolutional neural network， and puts forward some thoughts for thyroid imaging diagnosis in order to effectively promote the application and reform process of convolutional neural network in thyroid imaging diagnosis.

Key Words： Thyroid disease; Medical imaging; Convolutional neural network; Neural network model

1? 卷積神經網絡的基本原理

1.1 基本結構

卷積神經網絡是由輸入層、卷積層、池化層、全連接層、輸出層等組成的，其組織結構比較固定。

其中，該方法的運用需要明確以下事項：卷積層的每一層均包含著各種可學習的參數，同時相當于一個濾波器，便于獲取相關物體的邊緣與顏色特征;池化層一般在卷積層的后面，具有減少網絡訓練參數、降低輸出結果維度、對輸入做采樣與降維等作用;激活函數位于卷積層與池化層之間，同時也是解決神經網絡中非線性問題的關鍵，Tanh、Sigmoid、ReLUd等是較為常用的激活函數。

1.2 工作機制

一是卷積神經網絡的反向傳播算法。其本質與BP神經網絡算法基本一致，主要區別在于卷積神經網絡的反向求導需要明確參數連接的各個神經元。

二是梯度下降法。朝著目標函數梯度反向上更新模型參數，從而實現最小化目標函數，即該方法機制的基本思想。其中，批量梯度下降與隨機梯度下降是較常見的兩種方法，后者可依據樣本訓練數據實時更新，便于高效求解模型參數。

1.3 基本特點

卷積神經網絡具有局部感知、權值共享、多卷積核等顯著特性，在降低網絡復雜度、減少訓練參數個數、優化網絡結構等方面所起到的作用較為突出。

具體而言，局部感知的特點在于通過對物體進行局部的感知，匯總局部感知信息來認知全局;權值共享是指利用同一個卷積核對整個圖像進行卷積，等同于實現對整個圖像進行濾波，便于有效固定各個卷積核對應的參數;卷積審計網絡具備的多卷積核特點，在圖像識別領域的優勢較明顯，卷積核個數越多，提取的圖像特征則越多。

2? 基于卷積神經網絡的甲狀腺影像識別

結合卷積審計網絡的基本原理，在甲狀腺影像識別中運用卷積審計網絡方法的效果較好。為了進一步深入驗證，特選取該院收治的甲狀腺疾病患者臨床資料進行探究分析，具體探討基于卷積神經網絡的甲狀腺影像識別成效。

2.1 數據收集分類

選取2018年2月至2020年2月在該院接受治療的709例甲狀腺疾病患者，其中男性368例、女性341例，年齡16～78歲。所有患者影像數據收集自甲狀腺病例原始影像檢查報告，臨床資料的選用已獲得患者及其家屬同意。將影像數據主要分成6大類，具體包括正常、甲狀腺腫大、攝取功能減低、亞急性甲狀腺炎、甲狀腺功能亢進、甲狀腺部位有結節。為了便于準確歸類，對應數量統計除正常類99例患者外，其他5類患者數量均為122例。此外，甲狀腺部位的結節尺寸處于0.10 cm×0.15 cm×0.05 cm～6.5 cm×5.5 cm×5.8 cm范圍內，標準偏差為3.0 cm×3.8 cm×3.5 cm。

2.2 數據處理

通過分類患者影像數據，從中發現非對稱性特點較為突出，相關典型癥狀的識別率僅在50%左右。傳統影像增強方法的運用，產生新數據的重點在于改變空間剛性變換等方面，在此基礎上提出卷積神經網絡方法的應用設想，有利于降低模型泛化誤差，加強甲狀腺影像識別準確度。具體而言，根據已有的709例患者影像資料，使用卷積神經網絡模型生成新的高分辨率的類似影像，采用深度學習方法準確識別人體甲狀腺細胞影像紋理數據，并對6大類影像數據進行標注，最終準確獲得識別交叉影像特征的結果。

2.3 軟硬件工具分析

軟件工具以Python為主、Matlab為輔，用于進行開發語言、部分運算等工作;深度學習框架使用Python開發軟件，便于快速搭建卷積審計網絡模型，直觀展現影像數據變化過程。硬件工具使用搭載Windows 10版本的計算機，主頻達到2.8 GHz，4核8線程處理器。

2.4 卷積神經網絡方法的運用

采用基于卷積審計網絡的甲狀腺影像識別方法，又被稱之為深度學習分類模型，主要由卷積層、池化層等結構組成，包含激活函數、卷積、池化等操作。主要內容如下。

第一，通過對709例甲狀腺疾病患者原始影像進行數字圖像處理，選擇較為清晰的圖像片層并刪除冗余圖像。針對圖像數據特征進行濾波處理，減輕噪音對圖像質量的影響。經過一系列處理辦法，形成甲狀腺影像信息的子圖像，從而更加明確圖像特征。

第二，結合所有患者影像數據分類結果，設計甲狀腺疾病分類卷積審計網絡，主要以激活函數的選取、卷積結構的構建、池化結構的構建為主，進一步分層次挖掘所研究的樣本特征。

其中，激活函數能夠深度提取甲狀腺疾病特征，提高圖像特征表達能力。Tanh、Sigmoid、ReLUd是常見的梯度彌散型函數，前兩項函數具有梯度飽和的缺陷。選用ReLUd作為激活函數，其數學表達式為，相較適用于甲狀腺疾病分類情況，且計算速度更快。

在此設計的甲狀腺影像診斷卷積神經網絡模型包含多個卷積操作，對圖像特征提取起到關鍵作用。通過從原始影像中提取低級特征，繼而借助多次迭代擬合形成高級特征，并對圖像分類輸出實施改進。此外，在卷積過程中同樣需要利用激活函數的矩陣運算，其實質則是卷積核的內積操作，便于促進卷積層與其他網絡層的協作。

甲狀腺影像通過卷積層操作輸出取均值，轉而進入池化層結構，形成具有不重疊矩形區域特性的圖像，從而完成對影像特征的采樣統計。池化層的數學表達公式為，其中為權重系數;為最大池化函數。采用平均采樣與最大采樣等方法，在卷積層特征提取后進行統計計算與篩選歸納，選取圖像區域的平均值與最大值，用以描述卷積特征并保持其均勻性。

3? 結果與分析

3.1 模型測試結果

通過設置卷積神經網絡訓練參數，對神經網絡模型進行測試訓。明確初始學習率為0.1，共計迭代訓練300次，交叉訓練后學習率轉變為0.001，其變化曲線較為明顯。由訓練結果可知，訓練迭代次數的增加，模型驗證損失逐漸降低，其精度隨之不斷提高，證實了卷積神經網絡模型訓練效果較好，且在甲狀腺影像識別中的運用也達到了預期成效。

3.2 模型效果驗證

通過對測試的709例甲狀腺疾病患者影像進行識別，進一步驗證卷積神經網絡模型的穩定性。對照實際診斷報告結論，將所有患者影像分成單一特征影像與交叉特征影像。統計6類甲狀腺影像數據識別結果：正確識別數量總計649例、正確識別率達到91.5%;正常、甲狀腺腫大、攝取功能減低、亞急性甲狀腺炎、甲狀腺功能亢進、甲狀腺部位有結節的正確識別數量及識別率，分別對應為90（90.9%）、110（90.1%）、112（91.8%）、113（92.6%）、116（95.0%）、108（88.5%）。

通過分析6類甲狀腺影像數據識別結果，發現甲狀腺功能亢進的識別率達到最高，甲狀腺部位有結節的正確識別效果則是最差的。究其成因，基于卷積神經網絡的甲狀腺影像識別，甲狀腺功能亢進的影像表征較為明顯，甲狀腺部位顏色與其他部位相比較深;甲狀腺部位結節的影像表征存在顯著的區別，每一結節的位置、大小、顏色、深度均有所差異，癥狀識別準確度較低。由此可見，傳統的卷積神經網絡模型設計仍然存在有待改進之處，尤其是神經網絡模型的訓練測試方面，提高甲狀腺疾病癥狀識別進精度則顯得至關重要。

3.3 統計評價結果

設定召回率、精確率、特異度作為評價卷積神經網絡方法性能的指標，比較基于卷積神經網絡的甲狀腺影像識別效果。在此需要明確兩項指標的核心內容。召回率又被稱之為靈敏度或命中率，主要是指正確預測樣本數量與總樣本數量的比率;特異度是指正確預測陰性樣本與總陰性樣本的比率。此外，各項性能指標評價公式，分別對應為召回率=TP/TP+FN、精確率=TN/FP+TN、特異度=TN/FP+TN，其中TP為樣本呈正陽性;TN為樣本呈真陰性;FP為樣本呈假陽性;FN為樣本呈假陰性。

根據卷積神經網絡模型的分類結果，對比甲狀腺腫大、攝取功能減低、亞急性甲狀腺炎、甲狀腺功能亢進、甲狀腺部位有結節5類甲狀腺影像數據，召回率分別為95.7%、94.7%、95.8%、96.8%、92.6%，精確率分別為97.7%、94.7%、98.4%、97.8%、96.6%，特異度分別為94.7%、94.6%、96.6%、95.7%、97.6%，結果表明卷積神經網絡模型對甲狀腺影像癥狀有較高的識別率。

4? 結語

綜上所述，借助卷積神經網絡方法，利用卷積神經網絡模型進行甲狀腺影像診斷，便于準確識別正常、甲狀腺腫大、攝取功能減低、亞急性甲狀腺炎、甲狀腺功能亢進、甲狀腺部位有結節6類甲狀腺疾病影像，具有很好的臨床應用價值。

參考文獻

[1] 畢磊磊.超聲影像特點對甲狀腺結節性質的診斷價值探討[J].中國繼續醫學教育，2020，12（21）：96-97.

[2] 傅強，熊穎，閆妍，等.三種甲狀腺影像報告和數據系統臨床應用評估[J].中國醫學裝備，2020，17（6）：33-37.

[3] 黃江珊，高娃，宿靜，等.基于卷積神經網絡與長短期記憶網絡的醫學影像數據管理方法研究[J].醫學與社會，2020，33（6）：84-89，110.

[4] 鄒奕軒，周蕾蕾，趙紫婷，等.基于卷積神經網絡的甲狀腺結節超聲圖像良惡性分類研究[J].中國醫學裝備，2020，17（3）：9-13.

[5] 王洪杰，張恩東，于霞.基于卷積神經網絡的超聲影像甲狀腺結節良惡性預測研究[J].中國醫療設備，2020，35（1）：23-25.

[6] 武寬，秦品樂，柴銳，等.基于不同超聲成像的甲狀腺結節良惡性判別[J].計算機應用，2020，40（1）：77-82.