2017Ultrasound image-based thyroid nodule automatic segmentation using convolutional neural networks

阅读文献2017-Ultrasound image-based thyroid nodule automatic segmentation using convolutional neural networks

方法：基于cnn的方法将甲状腺结节分割问题作为一个patch分类任务，忽略了patch之间的关系。CNN使用正常甲状腺和甲状腺结节图像中的图像块作为输入，然后生成分割概率图作为输出。采用多视图策略来提高基于网络的模型的性能。此外，还将这种方法与常用的分割方法在同一数据集上的性能进行了比较。

我们的CNN以甲状腺超声图像中的图像斑块作为输入，生成甲状腺结节的分割概率图。多层中间层的卷积、池化和归一化操作用于将输入转换为输出。在一组人工绘制的甲状腺图像数据上调整网络中数百万个可训练参数。网络将以某个像素为中心的patch作为输入，通过对以该像素为中心的图像patch进行处理来预测该像素的类别，生成分割概率图作为输出。由于在中间层上进行了卷积运算，所以附近的像素对分割结果的贡献大于远处的像素，所以一个像素的分割结果可以由附近的所有像素来决定。流程如下：


如上图，我们的一个框架基于cnn的方法，首先从输入的二维超声图像中提取多个结节斑块，以捕获广泛的结节变异性。然后将获得的小块同时输入到网络中，计算判别特征。最后，我们基于cnn的方法应用一个分类器来生成分割概率图。
CNN框架为：

此外，我们还采用了多视图的策略来提高CNN的性能。其中，从每个甲状腺结节或正常甲状腺图像中随机取样，裁剪128个视图的353×353为CNN的输入，分割概率图为输出。将来自一幅图像的重叠的图像patch连接成一个概率图，每个像素的值为其四个邻域像素的均值，位于[0,1]。然后我们使用0.15的阈值方法得到相应的遮罩，即甲状腺结节的边缘。