基于深度學習的甲狀腺結節自動識別方法在超聲圖像中的應用

王洪杰，于霞，高強

威海市婦幼保健院 a.醫療設備科；b.超聲二科；c.放射科，山東 威海 264200

引言

中國是世界人口第一大國，龐大的人口基數以及快速增長的老齡人口帶來了持續增長的醫療服務需求[1]。據我國衛生和計劃生育事業發展統計公報，2016年我國個人衛生支出已達13337.9億元，對比1990年267.01億元，年均增長率達16.23%[2]。然而，在醫療服務市場高速發展的外表下，持續的“看病難、看病貴”問題一直是阻礙我國醫療服務市場健康發展的難題。造成這一問題的根本原因是醫療服務供給增量無法滿足過快增長的醫療服務需求[3-4]。近年來以深度學習為代表的機器學習技術，在輔助醫生提高診斷準確性、降低工作強度、提高工作效率方面開始顯示出其優勢。其中最突出的就是醫學影像領域，深度學習技術已經可以在甲狀腺超聲診斷中發揮作用[5-7]。以甲狀腺超聲為例，超聲醫生需要反復看甲狀腺圖像，判斷出結節的位置、大小、良惡性，這通常需要十多分鐘，采用深度學習技術則能夠自動標注出結節的位置、大小、性質等信息，一方面輔助高年資醫師進行診斷、提高工作效率，另一方面還可以幫助低年資醫師提高識別甲狀腺結節的能力和診斷水平[8-11]。

1 資料與方法

從超聲數據庫選取2013年1月至2018年1月期間6321張甲狀腺圖像，其中包括確診多發結節2000張，單個結節1200張，其他未確診甲狀腺圖像3121張。首先對圖像進行分割，用于深度學習模型的訓練。然后將剩余的3121張圖像用于模型的驗證，所有納入研究的病變均經過活檢或手術病理確診同時病灶范圍明確。術后對甲狀腺結節的良惡性進行驗證，考慮算法及臨床實際，因此本文所稱甲狀腺結節未區分良惡性。剩余的 3121 張圖像同時再交給4名超聲醫師進行診斷。最后統計相關結果，圖像來源于飛利浦IU22和GE E9。

2 模型構建和驗證

2.1 圖像標注

超聲醫師以病理為標準將所有圖像分成甲狀腺良性結節和惡性結節兩個大類，同時對病變圖像中的病灶范圍進行精準標注。

2.2 圖像預處理

將標注好的圖像進行裁剪、去噪、正則化處理，從而消除人為和環境干擾，把超聲圖像統一為225×225像素大小。

2.3 構建和訓練模型

深度學習是人工智能領域機器學習技術的一個分支[12]。傳統的機器學習技術在處理未加工過的原始數據時效果不佳。要構建一個模式識別系統或者機器學習系統，需要一個精心設計的分類器和需要相當專業的知識才能確定出來的特征，這種分類任務的效果很大程度上依賴于所提取特征的質量，而這些高質量的特征需要人工確定時，機器學習的有效性就大打折扣[13-14]。

如果能夠給機器輸入原始數據，然后通過計算自動發現需要進行檢測和分類的特征表達方法和分類方法，則會大大提高機器學習的有效性。深度學習就是這樣一種特征學習方法，把原始數據通過一些非線性的簡單模型轉變成為更高層次的，更加抽象的表達。通過足夠多的轉換的組合，非常復雜的函數也可以被學習。深度學習的體系結構是簡單模塊的多層棧，大部分模塊的目標是學習，還有許多計算非線性輸入輸出的映射。棧中的每個模塊將其輸入進行轉換，以增加表達的可選擇性和不變性。

卷積神經網絡（Convolutional Neural Networks，CNN）是一種典型的深度學習網絡結構[15]。本文采用一種CNN方法進行甲狀腺結節的診斷，該CNN的結構如圖1所示。其輸入為225×225的甲狀腺超聲圖像，第一個卷基層產生大小為111×111的96個特征的映射。第二個卷基層產生55×55大小的256個特征的映射。第三個卷基層產生13×13大小的384個特征的映射。最后經過全連接之后進行分類，分類結果是該圖像是否含有結節。

圖1 甲狀腺結節診斷的CNN結構

為了對該模型進行良好的訓練，采用了遷移學習的方法。首先把該模型在ImageNet數據集上進行了預訓練。然后在甲狀腺數據集上進行參數調整訓練。該甲狀腺診斷訓練數據集的構建方法如下：從采集的甲狀腺數據集中隨機選擇結節圖像和無結節圖像（圖2），然后針對兩類圖像分別采用旋轉和mixup方法，得到響應的含結節圖像和無結節圖像，構成甲狀腺診斷訓練數據集。經過預訓練和參數調整訓練后，得到完成訓練的甲狀腺診斷CNN模型。

圖2 甲狀腺圖像

2.4 驗證模型

把采集的甲狀腺數據集中，未用來進行模型訓練的圖像作為模型驗證的數據集。把該數據集輸入到完成訓練的甲狀腺診斷CNN模型中，可以得到對應每張圖像是否是結節的診斷結果。

2.5 模型和超聲醫師的比較

選擇4名本院超聲醫師，分高年資和低年資兩組，其中高年資超聲醫師的選擇標準為取得中級資格證，超聲檢查超過10000例，低年資超聲醫師標準為從事超聲工作小于3年，超聲檢查不到3000例。4名醫師分別獨立地對電腦屏幕所展示的測試集圖像進行識別和判斷，同時記錄其診斷每張圖像所需的時間。同時模型對相同的測試集進行識別，記錄結果。

3 結果

測試集共有3121張圖像，其中甲狀腺結節2900張，其他良性病變及正常圖像221張。2900張甲狀腺結節圖像中，深度學習模型正確識別2860張，高年資超聲醫師平均正確識別2570張，低年資超聲醫師平均正確識別2215張。221張正常圖像中，三者分別正確識別了212、201和183張。

另外，從時間上對比，深度學習每張圖像的診斷時間為（0.10±0.02）s。而低年資超聲醫師和高年資超聲醫師的診斷時間分別為15 min和10 min。

根據測試對比結果，分別計算陽性預期率、陰性預期率、診斷敏感性、診斷效率和診斷特異性指標，這些指標詳見表1。

表1 深度學習與高、低年資的醫生診斷結果對比（%）

從表1中可見，深度學習方法在所有指標比較中都超過了超聲醫師。其中陽性預期率比高年資超聲醫師高出10.00%，陰性預期率高出5.02%，診斷效率高出10.24%。本研究構建的深度學習模型用于甲狀腺結節的診斷全面超過超聲醫師，可在超聲診斷甲狀腺檢查中輔助醫師進行實時診斷。

本研究對深度學習技術在超聲甲狀腺結節領域內的應用進行了初步探索。結果表明深度學習方法應用于超聲影像的甲狀腺結節的臨床輔助診斷是可行的。

4 討論和結論

隨著近年來甲狀腺超聲篩查的普及，越來越多的甲狀腺疾病被發現[16-17]。尤其是甲狀腺惡性病變，因為早發現、早治療，降低了癌癥死亡率、提高了生存率及生活質量[18]。但限于目前醫療資源不均衡、診斷不規范、診斷水平參差不齊等因素，導致還有很多甲狀腺結節，尤其是小的惡性結節被漏診和誤診[19-20]。如何能充分利用有限的醫療資源，快速、有效地提高我國的甲狀腺結節診斷能力，成為我們亟待解決的問題。

深度學習在醫學研究及臨床實踐中越來越受到重視，是機器學習的一個分支，更適合解決大數據問題[21-24]。本研究對人工智能圖像識別技術在超聲甲狀腺結節領域內的應用進行了初步探索。通過回顧性收集的6321張超聲圖像，整理后投入深度學習模型進行訓練和驗證，測試結果顯示其診斷甲狀腺結節的陽性預期率98.62%，陰性預期率95.93%，診斷敏感性99.68%，診斷效率98.43%，診斷特異性84.13%，每張圖像的診斷時間為（0.10±0.02）s。模型組的準確率均高于醫師組，總體表現令人滿意。

本研究構建的深度學習模型用于超聲甲狀腺結節的診斷具有較高的準確率，將來可在超聲檢查中輔助超聲醫師進行實時診斷。AI讓基層超聲醫師獲得跟資深專家同質化的診斷效果成為可能。應用深度學習方法開展超聲甲狀腺結節影像診斷，可以提高醫生和醫院的診療效率，輔助醫生提供更精準和優質的服務，對于我國醫療衛生領域的發展有著重要的現實意義。在國內，四川大學華西醫院、浙江省人民醫院、浙江大學醫學院附屬兒童醫院、上海交通大學、上海華山醫院都開展了此方面單疾病的研究。總之，我們認為AI技術在超聲圖像識別領域市場前景一片光明并大有可為。