《基于半监督框架的超声图像分割方法实验研究》15000字（论文）

[28]进行比较，如表4-3所示：表4-3在DDTI数据集上的方法比较方法DSC(%)IoU(%)TUS-GAN87.1277.371st89.1782.542nd87.2582.533rd86.5381.96由表4-3所示，虽然本文的方法在DSC和IoU指标上均为能超过第一名的方法，但是本文使用到了半监督的方法，实验结果与第一名的方法相差不大。一个可靠的分割基线是构建基于GAN的半监督模型的第一步。为了证明所提出的分割骨干能够保证TUS图像获得可靠的分割精度，本文将TUS-S网络与U-Net和DeepLab两种常用的分割模型进行了比较。比较结果如表4-4所示。表4-4用DSC、JI、HD等评价指标对TUS-S和其他方法的比较方法DSC(%)JI(%)HD(pixels)U-Net80.8469.2231.85Deeplab81.9170.9831.59TUS-S(Backbone)83.1172.4429.32根据表4-4所示的定量结果，在所有列出的方法中，基线TUS-S在DDTI测试数据集上，在DSC和JI方面可以获得最高的区域重叠，且边界误差最小。因此，主干TUS-S可以为完整的TUS-GAN模型提供良好的分割基线。4.6实验结果可视化展示甲状腺结节超声图像分割系统的欢迎与登录界面如图4-8所示，主治医师可以注册一个自己的账号，如图4-8右边所示，之后登录自己的个人账号进入系统：图4-8系统的欢迎与注册登录界面主治医师从未参与训练的测试集中随机抽取图片与其对应的标签进行模型测试，通过查看测试模型的分割效果以及对应指标值判断模型分割结果是否满足临床分割要求，如果不满足，医师则返回具体的意见，我根据这些意见来调整网络结构，直到满足医生临床分割要求。这里我们假设模型的精度已经满足医师的要求。测试模型满足临床要求后，进入系统的选择图像界面，如图4-9所示：图4-9系统的选择图像界面医生选择需要分割的实际病人的甲状腺结节超声图像，图4-10是确定选择图像及上传分割界面：图4-10选择图像界面选择需要分割的图像后需要设置相应的阈值，点击上传分割，如图4-11所示：图4-11确定选择图像并上传界面由于每张图片的最优阈值不确定，所以医生可以通过调整阈值对概率结果图进行二值化处理，通过比较不同阈值下的分割结果图，医生可以保存最满意的分割结果。输入合适的阈值，上传并分割后，系统的分割结果如图4-12所示：图4-12系统的分割结果医生通过观察分割结果，对病人的病情做初步判断，在对应的位置输入反馈信息，并点击保存病例信息，选择保存的文件夹，将病例信息和分割图像保存下来，以便后续查看。图4-13、图4-14分别为保存后的路径截图和结果截图：图4-13保存路径截图图4-14保存结果截图医生可以在对应的文件夹下查看近期的病例分析情况，方便医生对病人病情的变化情况做整体的分析。

5.总结与展望5.1论文工作总结本课题以甲状腺超声图像数据为目标研究工作对象，对甲状腺超声图像中甲状腺结节的半监督图像分割方法技术进行研究，主要的研究内容包括对甲状腺结节超声图像信息的分析及常用数据预处理技术、图像分割系统网络设计技术以及实现该图像分割网络在甲状腺结节超声图像分割任务工程中的具体应用。本文的主要贡献如下:(1)提出了一种基于半监督学习的医学图像分割模型，充分利用未标注的TUS图像提高分割的性能与精度。该方法有利于临床的应用，增加了TUS图像的数量，相对减少了人力和财力的成本，训练网络模型时只需要依赖于有限的人工标注的医学图像数据。(2)在分割模型的判别器中加入了一个双注意力融合块(DAF)，来约束预测的分割图更加接近于测地真值，进而通过对抗训练提高分割网络的性能。所提出的DAF块不仅能充分利用灰度级和几何级信息，而且利用两个独立的空间注意路径，分别从病变区域和背景区域中有效地提取出具有代表性的特征，从而提高了判别网络的判别能力。(3)实现了一个功能比较完善的医学图像分割系统，具有友好的用户交互界面，方便医生根据自己及临床的要求查看并保存分割后的结果图像。总体地来看，本方向课题的研究达到了初步的预期效果，但目前仍会存在着一些相对的局限性。由于本文所获取到的数据集样本比较小，没有使模型达到最好的性能与分割效果。其次，由于没有很好的实验设备，本文提出的网络模型训练的时间偏长。5.2下一步研究方向第一，将用户交互界面做得更加友好。第二，调节网络模型的具体参数细节，以实现更高的分割效果。第三，当前网络模型只完成了甲状腺结节图像分割功能，后续将继续研究良恶性结节的分类工作，以期达到较好的分类效果。

参考文献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