基于深度学习的甲状腺超声图像修复算法的初步研究

作者：张敏; 倪驰明; 温佳恒; 邓子烨; 徐海珊; 楼海亚; 潘美; 李强; 周凌; 张传菊; 凌玉; 王娇妮; 陈娟萍; 王高昂; 李世岩^*

来源：中华超声影像学杂志, 2023, 32(06).

• 超声检查
• 甲状腺结节
• 图像修复
• 深度学习

目的探讨基于深度学习对被遮挡的甲状腺超声图像进行修复的可行性。方法回顾性收集自2020年1月至2021年10月于浙江大学医学院附属邵逸夫医院采集的甲状腺结节图像共358张, 对图片进行随机遮挡后, 使用DeepFillv2方法对上述图像被遮挡部分进行修复, 比较修复前后图像的灰度值差异。邀请6位不同年资医师(主任医师、主治医师、住院医师各2位)比较修复前后图片是否存在形态差异, 比较不同医师组判断的正确率及对图像差异的检出率。根据2020甲状腺结节超声恶性危险分层中国指南(C-TIRADS)对甲状腺结节图像进行超声特征提取(垂直位、实性、极低回声、可疑微钙化、边缘模糊及彗星尾伪像), 比较修复前后图像中甲状腺结节超声特征的一致性。结果图片修复前后的灰度值均方误差范围为0.274～0.522, 各组医师的正确率及检出率之间差异具有统计学意义(均P<0.001), 总体正确率为51.95%, 总体检出率为1.79%, 其中主任医师与住院医师组内的正确率及检出率差异同样具有统计学意义(均P<0.001)。图像修复前后图像中各超声特征的一致性均高于70%, 实性、彗星尾伪像的一致性均高于90%。结论基于深度学习的甲状腺超声图像修复算法可以有效修复被遮挡的甲状腺超声图像, 同时可以保留甲状腺超声图像特征, 有望扩大深度学习图像数据库规模, 促进深度学习在超声领域的发展。

• 单位
  浙江大学; 浙江大学医学院附属邵逸夫医院