基于深度学习的甲状腺结节超声图像分割的临床应用

目的 探讨深度学习方法在超声甲状腺结节分割中的效果及其临床应用价值.方法 收集2018年8月至2020年10月首都医科大学附属北京天坛医院的166例甲状腺结节患者的1044张超声图像.观察使用改进自注意力机制的Unet深度学习方法和Unet基础方法在测试数据集上的分割效果.以分割结果是否接近有多年临床经验的超声医师的手动标注作为参考标准,将改进自注意力机制的Unet和Unet基础方法对甲状腺结节的分割效果进行比较,以交并比(IoU)、戴斯(Dice)相似性系数及与超声医师对甲状腺结节的手动勾勒接近程度来评价深度学习模型对甲状腺结节分割效果及临床应用价值的性能.结果 改进自注意力机制的Unet深度学习模型对甲状腺结节分割的IoU及Dice系数分别为0.815和0.839,与Unet基础方法结果(IoU为0.788,Dice系数为0.817)相比,具有更高的IoU和Dice系数值.从分割图像可以看出,基于改进自注意力机制的Unet深度学习模型对甲状腺结节整体和边缘细节上的分割效果好于Unet基础方法,更接近于超声医师的手动勾勒结果.结论 基于自注意力机制的Unet深度学习模型在甲状腺结节分割方面有着较高的性能,可提高诊断效率,并且该方法具有一定的临床应用价值.