基于卷积神经网络的超声影像甲状腺结节良恶性预测研究

王洪杰，张恩东，于霞

威海市妇幼保健院 a. 医疗设备科；b. 耳鼻喉头颈外科；c. 超声二科，山东 威海 264200

引言

甲状腺疾病是一种重要的内分泌系统疾病，其中甲状腺结节是临床上最常见的甲状腺疾病之一。早期，国内外应用神经网络的方法，利用促甲状腺激素检测数据和血液检测数据开展了针对甲亢、甲减等甲状腺疾病辅助诊断的研究工作。例如，Ozyilmaz等[1]采用神将网络方法进行甲状腺疾病的识别；Keles等[2]采用基于模糊规则的专家系统进行甲状腺疾病的识别；Li等[3]采用极限学习机方法更进一步提高了辅助诊断的准确度。甲状腺结节有良恶性之分，恶性结节有原发性肿瘤以及罕见继发性转移癌。近10年来，随着超声仪器分辨率及检查技术的不断提高，甲状腺结节的检出率急剧增加。因恶性结节需要及时治疗，所以鉴定甲状腺结节的良恶性非常关键。目前，穿刺和病理检查是鉴定结节良恶性的主要手段，但这两种方法创伤性大，对正常甲状腺组织造成破坏，因此有效地利用超声图像来诊断甲状腺结节良恶性代替传统的穿刺具有重要现实意义。有关学者也先后研究了甲状腺结节的分类方法，早期的方法以支持向量机方法为主。Ma等[4]提出了一种基于支持向量机区分良性和恶性甲状腺结节的方法；Chang等[5]进一步应用改进的支持向量机方法对甲状腺结节图像进行了特征选择和分类。本文提出一个基于超声深度学习的甲状腺结节良恶性诊断的方法，该方法能够利用深度学习的优势，通过逐层特征提取，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或诊断更为准确清晰[6-7]。

1 材料与方法

对2659例完全匿名的甲状腺结节患者和480例测试患者进行研究，图像来源于2012～2018年在我院进行检查的患者，其中男性1280例，女性1379例，年龄16～75岁，结节尺寸为0.10 cm×0.16 cm×0.06 cm至6.8 cm×5.6 cm×5.9 cm，平均值为3.3 cm×2.1 cm×3.5 cm，中位数为3.1 cm×3.4 cm×3.6 cm，标准偏差为3.1 cm×3.9 cm×3.6 cm。此外，每个甲状腺结节或正常甲状腺都有几个纵向切割图像或横切图像。总共有16173张关于甲状腺结节的图像，而甲状腺图像来自不同的超声系统（包括Philips IU22，L12-5，GE LOGIQ E9，ML6-15-D）。甲状腺超声若是低回声、血运丰富、微钙化、形态不规则、淋巴结肿大考虑为恶性（图1a）；形态规则，边缘光滑考虑为良性[8]（图1b）。所有纳入研究的病变均经过活检或手术病理确诊同时病灶范围明确，术后对甲状腺结节的良恶性进行验证[9]。

图1 甲状腺结节注：a. 恶性；b. 良性。

本文采用基于卷积神经网络（Convolutional Neural Network，CNN）的甲状腺结节良性和恶性检测方法，这是一种深度学习分类模型[10]。甲状腺结节诊断的CNN结构如图2所示，由标准的堆叠的卷积层、池化层、一个或多个完全连接层组成，能够通过多个中间层捕获输入和输出之间的高度非线性映射，可训练的卷积滤波器，局部邻域池操作和归一化操作在输入上交替执行，并生成从低级特征到高级特征的越来越复杂的特征的层次结构[11-15]。

图2 甲状腺结节诊断的CNN结构

由于数据集中的图像对于深度学习训练还存在数据量不足的问题，本文采用Mixup的图像扩增的方法进行数据集扩大。各随机选取良性和恶性图像的3/4进行数据增广，其余图像作为测试集。增广后的良性和恶性图像各达到30000张。同时采用迁移学习的方法进行网络的预训练，采用ImageNet数据集完成。之后，采用增广的数据集进行参数优化。学习和训练过程如图3所示。

图3 基于卷积神经网络的超声甲状腺结节分类方法

2 结果

为了更好地评价本文基于卷积神经网络的方法，和文献中的极限学习机神经网络方法[3]、支持向量机方法[5]进行了测试对比，采用阳性预期率、阴性预期率、诊断敏感性和诊断特异性指标。这些指标的比较，见表1。

表1 深度学习与超声医生和其他方法的对比（%）

诊断的性能由阳性预期率、阴性预期率、诊断敏感性、诊断特异性来评定。阳性预期率和阴性预期率代表了甲状腺结节诊断正确的百分比；诊断敏感性代表良性结节被正确识别为良性的百分比；诊断特异性表示恶性结节被正确识别为恶性的百分比[16]。从表1中可见，深度学习方法在指标比较中相对超声医师有优势。其中阳性预期率高于超声医师高出2.9%，阴性预期率高2.6%，诊断敏感性高出3.9%，诊断特异性高出3.8%[17]。本研究构建的深度学习模型用于甲状腺结节的良恶性诊断与超声医师各有优势，可在超声诊断甲状腺检查中辅助医师进行实时诊断[18]。

3 讨论

现阶段，超声甲状腺结节的良恶性的辅助诊断已经逐步应用于临床，帮助经验不足的医生在病变的定性和定量上辅助诊断，降低漏诊误诊的概率，提升医院的诊断水平[19]。目前还有诸多不完善的地方，一是超声甲状腺结节图像是核心资源，但目前缺乏有效的标准训练数据及统一的行业标准，无法获得良好的训练效果；二是在临床使用过程中，虽然能避免人为漏诊的发生，但往往检出过多的假阳性结节[20]。针对这些问题还要对算法模型进行改进，进一步提升产品性能。我们不难看出利用预训练的卷积神经网络对甲状腺结节进行良恶性的诊断，与传统的机器学习方法不同的是不需要对图像进行预处理，也不需要人工设计特征与进行特征选择，这是一种数据驱动学习，具有很吸引人的优势[21]。总之，目前甲状腺结节良恶性辅助诊断临床需求迫切，从政策、技术和数据上都有一定的优势，但存在性能单一、模型不稳定的缺点，完全对接临床使用有一定的难度，同时在医学伦理、法律法规、信息安全等领域的界定与患者隐私的保护还需要进一步明确。本研究对机器学习技术在超声甲状腺结节领域内的应用进行了初步探索，结果表明深度学习方法应用于超声影像的甲状腺结节良恶临床性辅助诊断是可行的，下一步要落地于医疗场景，最终实现真正意义上的突破[22]。