本发明提出一种基于双模态超声的甲状腺浅表结节的良恶性自动判别方法，涉及计算机辅助诊断、医学图像处理等领域。
背景技术：
1、甲状腺结节是甲状腺腺体组织发生病变所形成的肿块，是人体内分泌系统的常见病和多发病。其中良性结节对人体危害较小，一般可采取药物治疗或其他保守治疗策略；恶性结节对人体危害较大，一般考虑切除或化疗等手术手段。因此，结节的早期筛查对于减少病人所受到的伤害及提高存活率具有重要意义。
2、超声检查凭借其便捷、便宜、无辐射等优点，被广泛应用于甲状腺结节的早期筛查中。然而良性结节和恶性结节在普通b模态超声上的特征特异性较差，导致虽然普通b模态超声能够识别出结节病灶区域，但对于良恶性判别的精准性较低。临床上仍然采用细针穿刺活检手术后的病理结果作为良恶性判别的“金标准”。然而穿刺手术作为一种侵入式手术，具有费用较高、容易给患者造成二次伤害等缺点。因此，通过超声等非侵入式检查手段来提高良恶性判别的准确性具有很大的临床意义。
3、随着超声检测技术的发展，超微血流成像（ultra micro angiography, uma）能够对甲状腺浅表结节内微血管结构进行充分显影。而根据研究发现，肿瘤的发展与其内部及周边血管具有密切关系。melisa[1]等人提出根据超微血流影像计算血管分支点数、血管分叉角度等血管形态学参数，初步验证超微血流成像对于甲状腺结节诊断的医学意义，但计算算法依赖医生的标注。因此，急需一种病灶内血管结构参数自动计算及良恶性分类的方法为医生提供临床辅助诊断，提高甲状腺结节良恶性判别的准确性。
4、参考文献：
5、[1]kurti, m., sabeti, s., robinson, k. a., scalise, l., larson, n.b., fatemi, m., & alizad, a. (2023). quantitative biomarkers derived from anovel contrast-free ultrasound high-definition microvessel imaging fordistinguishing thyroid nodules. cancers, 15(6), 1888.
技术实现思路
1、本发明提供了一种基于双模态超声的甲状腺浅表结节的良恶性自动判别方法，将通过普通b模态超声和超微血流成像uma得到的数据结合起来，自动计算病灶的血管结构参数并判断病灶的良恶性。
2、为解决上述问题，本发明提供了一种基于双模态超声的甲状腺浅表结节的良恶性自动判别方法，包括如下步骤： 获取病变部位的若干超声数据，得到普通b模态超声图像和超微血流成像uma超声图像；标注病变部位，得到数据集，划分数据集为训练集和测试集；将训练集的数据输入语义分割模型，根据训练集的数据更新语义分割模型的权重，得到病灶目标检测器；将测试集的数据输入病灶目标检测器，得到病灶区域，将病灶区域映射至uma超声图像上，得到感兴趣区域；使用阈值法对感兴趣区域进行二值化操作，获得滤波图像，计算滤波图像的连通域，获得血管结构图；根据血管结构图，统计血管参数；使用机器学习算法，结合血管参数判断病变部位的良恶性。
3、可选的，血管参数具体包括：血管段数，血管分叉点数，血管面积比，和/或，血管分布形态。
4、可选的，得到感兴趣区域之后，还包括：使用双边滤波器对感兴趣区域进行滤波，得到滤波图；其中，双边滤波器的卷积核大小为5x5。
5、可选的，得到滤波图之后，还包括，使用改进的多尺度frangi滤波增强滤波图的血管结构。
6、可选的，使用改进的多尺度frangi滤波增强滤波图的血管结构，具体包括：计算滤波图的海森矩阵；计算海森矩阵的特征值和特征向量；使用特征值和特征向量获得响应函数，其中，响应函数用于增强滤波图的血管结构；使用不同卷积核重复上述步骤。
7、可选的，使用机器学习算法结合血管参数判断病变部位的良恶性，具体包括，选择机器学习分类器，如支持向量机、决策树等。
1.一种基于双模态超声的甲状腺浅表结节的良恶性自动判别方法，适于在计算设备中执行，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述血管参数具体包括：血管段数，血管分叉点数，血管面积比，和/或，血管分布形态。
3.根据权利要求1-2任一项所述的方法，其特征在于，得到感兴趣区域之后，还包括：
4.根据权利要求3所述的方法，其特征在于，所述得到所述滤波图之后，还包括，使用改进的多尺度frangi滤波增强所述滤波图的血管结构；该算法在原frangi滤波基础上使用多尺度卷积核进行融合滤波。
5.根据权利要求4所述的方法，其特征在于，所述使用改进的多尺度frangi滤波增强所述滤波图的血管结构，具体包括：
