《IEEE Access》:A Non-Contact Framework for Thyroid Disorder Screening Using Infrared Thermography and GLCM-based Neural Networks
编辑推荐:
甲状腺相关疾病筛查常因症状明显时才确诊而延误干预,且传统方法(如超声)依赖专业设施与判读,难以用于大规模早期筛查。本研究探索利用无创、无辐射的红外热成像技术进行甲状腺初步筛查,开发了一套计算高效的机器学习框架。该框架采用U-Net分割甲状腺区域,利用灰度共生矩阵提取热分布纹理特征,并通过轻量化人工神经网络进行分类。在公开及自建数据集上,分类准确率达94.11%且推理延迟低。研究表明,该热成像结合特征学习的方案可作为早期筛查和决策支持的有效工具,尤其适用于资源有限环境,旨在对传统诊断流程进行补充而非替代。
甲状腺是人体重要的内分泌器官,其功能异常引发的甲状腺疾病在全球范围内日益普遍。然而,这些疾病在早期往往症状隐匿,传统筛查与诊断方法存在明显瓶颈。常规的超声成像和细胞学评估虽然可靠,但需要依赖专业的医疗设备、特定的检查环境以及经验丰富的医师进行解读。这种对专业基础设施和人力资源的高度依赖,使得在基层社区、大规模人群普查或资源匮乏地区开展早期、便捷的甲状腺筛查变得困难重重。此外,部分有创检查也可能给患者带来不适。因此,开发一种操作简便、非侵入、可快速部署的初步筛查工具,以实现甲状腺异常的早期预警和分流,成为了临床实践和公共卫生领域一项迫切的需求。正是为了回应这一挑战,一项发表在《IEEE Access》上的研究,探索了将红外热成像技术与非接触式的机器学习分析框架相结合,用于甲状腺疾病筛查的新途径。
研究者们开展这项工作的核心,是验证红外热成像作为一种无辐射、非接触的成像技术,在捕捉甲状腺区域体表温度分布特征方面的有效性,并构建一个高效的计算框架来实现自动化的异常识别。他们得出的结论表明,所提出的方法能够以较高的准确率区分正常与异常的甲状腺热图,并且具有较低的推理延迟,显示出作为一种辅助筛查工具应用于早期识别和资源受限场景的巨大潜力。这项研究的重要意义在于,它为甲状腺疾病的初步筛查提供了一种全新的、易于推广的技术思路,有望弥补传统方法在可及性和即时性方面的不足,促进“早发现、早干预”目标的实现。
为达成研究目标,作者主要采用了以下几个关键技术方法:首先,利用基于U-Net的语义分割模型对采集到的原始红外热图像进行处理,精确自动定位并提取出甲状腺区域,该模型取得了0.91的戴斯系数和0.87的交并比。其次,从分割出的甲状腺区域中,使用灰度共生矩阵(GLCM, Gray-Level Co-occurrence Matrix)计算出一系列能够量化热分布纹理模式的统计特征。最后,设计并训练了一个轻量化的人工神经网络(ANN, Artificial Neural Network)分类器,利用从GLCM提取的纹理特征对样本进行分类(正常或异常)。实验在两个数据集上进行评估:一个公开可用的数据集,以及一个由研究者自行采集的数据集。
研究结果
1. 甲状腺区域分割
为了从复杂的颈部热成像中准确分离出目标区域,研究采用了基于U-Net架构的深度学习模型进行语义分割。通过训练,该模型学会了识别甲状腺对应的热成像区域。定量评估结果显示,分割模型在测试集上取得了优异的性能:戴斯系数达到0.91,交并比(IoU, Intersection over Union)为0.87。这两个指标的高分值表明,模型能够非常精确地将甲状腺区域从背景中分割出来,为后续的特征提取奠定了可靠的基础,有效避免了非目标区域热噪声的干扰。
2. 特征提取与分类
在成功分割出甲状腺区域后,研究进入特征分析与分类阶段。鉴于甲状腺功能状态异常可能导致局部代谢活动和血流变化,进而反映为体表温度分布模式的差异,研究者采用灰度共生矩阵(GLCM)来量化这种温度分布的纹理特征。GLCM能够计算图像中具有特定空间关系的像素对灰度值(在热图中即温度值)的联合概率,从中可以推导出对比度、相关性、能量、同质性等多个统计量,这些统计量共同描述了热图的纹理粗糙度、均匀性和规律性。随后,这些从GLCM计算出的多维纹理特征被用作输入,送入一个专门构建的轻量化人工神经网络(ANN)分类器。该ANN的设计着重考虑了计算效率与模型性能的平衡,以适应未来可能的实时或床边应用场景。
3. 实验评估
为了全面评估所提出框架的筛查效能,研究在组合数据集上进行了严格的实验。数据集包含了来自公开来源和作者自行采集的热成像样本。评估的核心指标是分类准确率,即系统正确区分正常与异常甲状腺热图的能力。实验结果表明,整个框架(分割+GLCM特征提取+ANN分类)达到了94.11%的整体分类准确率。此外,研究还测量了系统的推理延迟(即处理单张图像所需的时间),报告显示延迟保持在较低水平。这一结果验证了将红外热成像与基于纹理特征的机器学习方法相结合,能够以较高的精度和较快的速度实现甲状腺异常的自动识别。
研究结论与讨论
本研究系统地探讨并证实了红外热成像与机器学习结合用于甲状腺疾病筛查的可行性。研究团队开发了一个完整的计算框架,该框架首先通过高性能的U-Net模型准确定位甲状腺区域,继而利用GLCM提取表征热分布模式的纹理特征,最后通过一个轻量级ANN实现高效分类。在公开及私有数据集上取得的94.11%的分类准确率与低推理延迟,从技术上证明了该方案的有效性和实用性。
研究的核心结论是,红外热成像作为一种非接触、无辐射的成像模态,其捕获的体表热分布信息蕴含了与甲状腺状态相关的生物特征,通过恰当的图像处理和机器学习方法(特别是GLCM纹理分析和神经网络)可以有效地解码这些信息,从而构建一个性能良好的自动筛查系统。该框架的意义在于其“互补”定位:它并非旨在取代超声、活检等传统的确定性诊断方法,而是作为一种前置的、可广泛部署的初步筛查和决策支持工具。尤其在医疗资源相对有限、专业设备不足或需要进行大规模快速初筛的场景(如社区体检、偏远地区医疗站),这种低成本、易操作、非侵入的技术方案显示出独特的应用价值,有助于及早识别高风险个体,并引导其进行进一步的精确检查,从而可能改善疾病管理流程,提高诊疗效率。
同时,研究也隐含了未来的讨论方向。例如,该方法的性能可能受到环境温度、个体皮肤差异等因素的影响;当前数据集规模和多样性有待进一步扩大以增强模型的泛化能力;如何将该框架集成到更便携、用户友好的硬件设备中,也是实现其实际应用的关键步骤。尽管如此,这项工作无疑为甲状腺疾病乃至其他体表温度相关疾病的非接触式智能筛查,提供了一个有希望的研究范式和技术基础。