基于 C-TIRADS 的甲状腺结节分级集成架构：深度学习与医学知识的创新融合

研究人员提出基于 C-TIRADS 分级甲状腺结节的集成架构，融合多种技术，有效提升诊断性能，助力临床 CAD 系统。

　　近年来，利用深度学习和图像处理技术进行计算机辅助诊断（CAD）的研究日益增多，但大多数研究集中于结节的良恶性分类。在本研究中，提出了一种基于中国甲状腺影像报告和数据系统（C-TIRADS）对甲状腺结节进行分级的集成架构。该方法在特征提取过程中，将传统手工制作的特征与深度特征相结合。在预处理阶段，采用基于快速行进法（FMM）的伪影去除算法，接着进行混合中值滤波降噪。使用对比度受限自适应直方图均衡化来增强对比度，以恢复和增强超声图像中的信息。在特征提取阶段，选择具有多头自注意力机制的改进 ShuffleNetV2 网络，其提取的特征与医学先验知识特征相融合。最后，使用极端梯度提升（XGBoost）分类器执行多类分类任务。本研究使用的数据集包含 922 张原始图像，其中属于 2 类的有 149 例，3 类的有 140 例，4A 类的有 156 例，4B 类的有 114 例，4C 类的有 123 例，5 类的有 240 例。模型训练了 2000 轮次。所提方法的准确率、精确率、召回率、F1 分数和 AUC 值分别为 97.17%、97.65%、97.17%、0.9834 和 0.9855。结果表明，基于 C-TIRADS 的医学先验知识与卷积神经网络的深度特征相融合，能够有效提高甲状腺结节诊断的整体性能，为开发甲状腺结节超声诊断的临床 CAD 系统提供了一种新的可行方案。