摘要
甲状腺结节是目前在成人群体中最常见的内分泌疾病之一，其发病率呈现逐年升高的趋势。甲状腺结节早期筛查和诊断定性，对后续治疗有重大意义。超声检查因实时动态多切面观察、无创、无辐射等优势，成为了甲状腺结节早期筛查最主要的影像学诊断方法。基于超声影像对甲状腺结节智能诊断，不仅可以减轻医疗人员工作压力，提高临床诊断效率，还能使结果更加客观、可靠。 本文使用临床采集的甲状腺超声图像构建实验数据集，并基于此数据集开展甲状腺结节智能诊断方法研究。首先通过智能算法对甲状腺结节进行分割得到目标区域，之后从临床解释性和特征提取客观化两个角度出发，分别设计机器学习和深度学习模型以实现甲状腺结节的良恶性分类，具体工作包括以下三个方面： 针对甲状腺超声图像结构复杂，结节边界提取困难等问题，提出以Transformer为编码结构的多层次特征融合模型来实现甲状腺结节的分割。利用局部-全局策略学习甲状腺超声图像中跨尺度分布特征，同时将残差轴向注意力机制融入到该模型中，以提取甲状腺结节中的方向纹理信息。通过将数据集中的3828例样本进行数据扩增，得到15312例甲状腺超声图像，经过多轮迭代训练，测试集上的Dice系数为92.2%，交并比为85.5%。 根据美国放射学会所提出的ACRTI-RADS分类标准，针对甲状腺结节中的成分、回声、形状、边界和钙化五类描述性特征设计34个影像组学指标并给出定量算法。之后使用主成分分析方法对34维特征向量进行特征降维得到5个主成分向量。通过搭建支持向量机、梯度提升决策树机器学习模型对甲状腺结节进行良恶性分类，两种方法在测试集上的甲状腺结节分类准确率分别为92.45%和96.36%，AUC分别为0.929和0.950。 针对上述机器学习模型在提取特征时的主观性，利用EfficientNetB3轻量级分类网络自动学习结节区域的特征，并使用FocalLoss损失函数解决数据集中良恶性样本分布不均衡的问题。训练过程中结合迁移学习策略进一步提高模型训练速度。结果显示EfficientNetB3模型的良恶性分类准确率为97.27%，AUC为0.970，且模型参数量降低为主流模型的1/6，实现了特征提取过程的客观化，降低了算力负载。 初步研究表明，本文的工作在甲状腺结节早期筛查方面具有一定的研究价值，有助于智能辅助诊断系统在临床应用中的推广。
NETL