《IEEE Transactions on Aerospace and Electronic Systems》:CFAR detection based on the EMalgorithm in presence of clutter edges and multiple targets
编辑推荐:
本研究针对甲状腺疾病传统诊断方法依赖专业设施、不便早期筛查的痛点,探讨了红外热成像(IRT)作为无创初筛工具的可行性。研究人员开发了一套高效的机器学习框架,先通过U-Net模型精准分割甲状腺区域(Dice=0.91, IoU=0.87),再提取GLCM纹理特征,并利用轻量级ANN进行分类。在公开及自建数据集上验证,模型准确率达94.11%,且推理延迟低。该研究为资源有限环境下的早期甲状腺筛查及辅助决策提供了有潜力的新方案。
甲状腺相关疾病的发病率日益攀升,但常规的诊断手段,如超声成像和细胞学检查,虽然可靠,却需要依赖专业的医疗设备和具备资质的专家进行解读。其结果便是,这些方法难以应用于大规模人群筛查或早期风险识别,往往在患者出现明显症状后才得以确诊,从而错失了最佳干预时机。这凸显了开发一种操作简便、易于获取的初步筛查方法的紧迫性。在此背景下,一项发表于《IEEE Transactions on Aerospace and Electronic Systems》的研究,将目光投向了红外热成像(Infrared Thermography, IRT)技术。这种技术通过检测人体表面的红外辐射来生成热分布图像,具有完全无创、无辐射的优点,理论上为快速、低成本的初步筛查提供了可能。然而,如何从热图像中自动、准确地提取有效的诊断信息,并构建一个既能保证高精度又能满足实时性要求的分析系统,是将其推向实际应用的关键挑战。
为了解决上述问题,研究人员开展了一项探索性研究,旨在构建一个计算高效的机器学习框架,以评估红外热成像用于甲状腺初步筛查的效能。他们的核心思路是将问题分解为两个关键步骤:首先是精确地定位目标区域,然后是对该区域的热特征进行智能分析与分类。
为开展研究,作者主要运用了以下几个技术方法:研究基于公开数据集及自行采集的数据集进行。关键技术包括:1) 采用U-Net架构的深度学习模型对热图像中的甲状腺区域进行语义分割,实现目标区域的自动定位与提取;2) 利用灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)从分割出的甲状腺区域中计算一系列纹理特征,用以量化其热分布模式;3) 设计并训练一个轻量级的人工神经网络(Artificial Neural Network, ANN)分类器,对提取的纹理特征进行分类,以判别其健康状况,该网络设计侧重于平衡性能与计算效率,以支持潜在的实时应用。
研究结果
1. 甲状腺区域分割
- •
结论:基于U-Net的语义分割模型能够高精度地从热成像中分割出甲状腺区域。
- •
依据:该模型在测试中取得了0.91的Dice系数和0.87的交并比(Intersection over Union, IoU),这两个指标均表明模型分割结果与真实标注之间具有高度的一致性,为后续特征提取奠定了可靠基础。
2. 特征提取与分类
- •
结论:从分割区域提取的GLCM纹理特征,结合轻量级ANN分类器,能够有效区分不同甲状腺状态的热模式。
- •
依据:研究人员从分割后的甲状腺区域计算了GLCM特征,这些特征描述了图像纹理的对比度、相关性、能量、同质性等属性。使用一个结构经过优化的ANN对这些特征进行分类,最终在整个实验数据集上实现了94.11%的分类准确率。
3. 系统实时性评估
- •
结论:所提出的整体框架具有较低的计算开销,满足实时处理的应用潜力。
- •
依据:除了高准确率,研究还报告了较低的网络推理延迟,这表明从输入热图像到输出分类结果的整个过程可以在较短时间内完成,满足了初步筛查场景对速度的基本要求。
结论与讨论
本研究的结论表明,将红外热成像(IRT)与基于特征学习的机器学习方法相结合,可以构建一个高效、准确的甲状腺疾病初步筛查工具。该框架通过U-Net实现了甲状腺区域的鲁棒分割,并利用GLCM纹理分析和轻量级ANN分类,在保证高精度(94.11%)的同时兼顾了计算效率。其重要意义在于,这项工作为甲状腺疾病的早期发现提供了一种全新的、非侵入性且可能低成本的辅助筛查路径。特别是在医疗资源相对匮乏或专家稀缺的环境中,这种自动化方案能够作为有效的初步筛查和决策支持工具,帮助识别高风险个体,从而引导其进行更深入的专项检查。然而,作者在讨论中明确指出,该框架旨在补充而非替代超声波、细胞学检查等传统的金标准诊断程序。未来的研究需要在更大规模、更多样化的临床队列中进一步验证其泛化能力,并探索与更多模态信息的融合,以持续优化其临床实用价值。