离线
1. 超声影像临床特征
1.1 钙化
钙化: 是甲状腺结节非常重要的一个临床特征。
微钙化: 恶性结节内因单个,或者小团癌细胞坏死而形成微小钙化。如果结节见内点状或簇状强回声,则提示趋向于恶性结节。
粗钙化: 良性结节内因出血、坏死也可形成体积相对较大的钙化。
如果结节内见粗大的斑块样钙化灶,后方可伴声影,则提示趋向于良性腺瘤结节。
1.2 边界情况
如果结节与周围甲状腺组织界限清楚 ,提示趋向于良性结节 可能性大。
如果结节与周围甲状腺组织界限不清 ,提示趋向于恶性肿瘤 可能性大。
而甲状腺癌的结节多具有明显的“侵略性”,容易越过边界向正常甲状腺组织侵犯,导致其边界模糊不清晰。
1.3 囊实性
囊性结节 的形成是由于甲状腺肿瘤增长迅速,瘤内出血造成的。因此实性部分是肿瘤本身,囊性部分是液化的血液。一般来讲,囊实性结节大部分是良性的,即使迅速增大,也只不过是瘤内出血引起的。
依据结节内部成分的不同区分:(恶变的几率依次为:实性结节>囊实性结节>单个的囊性结节>多发的囊性结节 )
(1)囊性结节——内部成分为液体
(2)实性结节——内部成分为固体
(3)囊实性结节——内部成分即有液体,也有固体
1.4 回声
在 ACR TI-RADS 标准中,结节无回声为 0 分,高回声、等回声为 1 分,这两项特征倾向良性结节,而低回声得 2 分,极低回声得 3 分,倾向于恶性。
1.5 血流丰富程度
大量临床研究显示,结节周边及内部血流丰富 ,大多提示良性的腺瘤样结节 可能性大。而周边及內部少量血流信号的“乏血流”改变,则提示甲状腺乳头样癌典型 的超声表现。
1.6 纵横比
结节纵横比 在甲状腺结节超声诊断中也具有重要的意义:
纵横比<1 的结节,图像上看到是“扁椭圆形”,提示趋向于良性 可能;
纵横比>1 的结节,图像上显示结节是“立着长”,提示趋向于恶性 可能
1.7 speckle 噪声
由于超声波在人体中的成像原理和超声诊断仪物理器件的限制,导致我们临床上采集的图像都难免会有噪声,并且图像不够清晰。硬件限制导致的超声图像常常出现类似于椒盐噪声的斑点,被称为 speckle 噪声 。
2. 甲状腺结节诊断步骤及判断依据
2.1 主要诊断步骤
2.2 良性与恶性判断依据
甲状腺超声若是低回声、血运丰富、微钙化、形态不规则和淋巴结肿大考虑为恶性 ;形态规则,边缘光滑考虑为良性.
看“边界欠清”: 良性结节一般边界清楚,恶性的因为有队周围组织有浸润侵袭,边界大多不清晰。但是,炎性的病灶,因为它有渗出,边界也是不清,并不是恶性的。
看“点状强回声”: 可见于两种情况:一种是胶质,这是良性的标志。一种是钙化,恶性一般都有钙化,并且多为微小钙化,但有钙化不一定都是恶性的。
看“内部血流紊乱”: 血流分为内部血流、外部血流。恶性的多有内部血流紊乱。
以上描述恶性情况,如果一点没有,良性可能性很大;有1-2点的,可以做个穿刺确认;三点都有,恶性可能性大。
2.3 甲状腺结节诊断分级标准
国内外专家提出甲状腺成像报告和数据系统(ACR TI-RADS)
(1)从五个方面评估结节的性质,分别是成分(囊或实)、回声、形态(纵横比)、边缘,以及强回声,根据图像中是否包含相关的特征计算得分。值得注意的是,前四项为【单选】,而最后一项强回声为【多选】,即有几种钙化算几分,此外,ACR TI-RADS 的分级方法并未将晕、血流纳入统计项目。
(2)将 5 项得分累加得到一个总分,最后把总分划分为 5 个级别,对应甲状腺结节的五个级别,根据不同的级别,制定不同的诊疗方案。
大致可以将1~3级分为良性,4~5级分为恶性。
2.4 传统方法图像分类步骤
去除图像中包含的噪声和不必要的冗余信息,
提取图像的特征,包括颜色特征、形状特征(结节的大小、边缘光滑度等)和纹理特征三大类
将这些特征用数学方法进行统计,量化成一组组有意义的向量或者矩阵,
选择最有判别性、相关程度最高的特征做为下一步分类器的输入,最后通过不断组合、训练分类器来达到最优的分类结果
3 甲状腺结节诊断方案
3.1 预处理思路
一般来说,我们可以从时域和频域两个方面对图像的进行去噪处理和增强处理 :
时域 的图像去噪方法和增强方法都是建立在图像的像素点的灰度值变换的基础之上的,这类方法包括使用各种特殊设计的小滑窗对图像的局部像素邻域进行滤波,以及通过改变不同灰度级别上像素点的分布情况,来达到利于人眼观察效果的直方图均衡化。
频域 增强的方法大部分是通过傅里叶变换、Z变换等等,将时域图像转换到相应的频域上,然后有针对性的对某个频率或者某些频率进行调整变换,最后再通过反变换回时域。(有一定的不确定性及复杂性)
3.2 时域处理方案步骤
(1)预处理 ,首先对图片做了脱敏处理,去掉了患者的个人信息以及一些不重要的图片边缘区域,然后用直方图均衡化均衡平滑图像,避免图像过亮或者过暗;
(2)结节的分割标注 (可以使用LabelMe工具)
(3)用水平集方法收敛病灶区域 得到一致的勾画结果,避免不同医生因为个人主观原因导致的差异;
水平集方法(Level Set Method)的主要思想是将低维难以求解的 n 维曲面问题通过提升维度到n+1 维的超曲面,然后通过解超曲面能量泛函方程来得到低维解的目的)
(4)用深度学习神经网络对勾画的图像进行分割和分类 ,训练出一个分类性能良好的网络模型;
来源:https://zhuanlan.zhihu.com/p/268706995
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!