Page 59 - 《应用声学》2021年第1期

第 40 卷 第 1 期 高凡等： 超声射频信号的甲状腺结节智能诊断方法 55

设置了不同的色轴，在所有图片中均可以看到异常 1.5 基于人工神经网络的图像识别
的结节区域，对应 RF 灰度图片的低回声区，但是其 使用神经网络模式识别工具 (Neural net pat-
边缘轮廓和细节特征因参与图像重构的参数不同 tern recognition tool, NPRTOOL)来搭建误差逆向
而有一定的区别。
传播的前馈人工神经网络对样本进行良恶性分类。
1.3 组织病理学检查 选择莱文伯格 -马夸特方法 (Levenberg-Marquardt
通过常规的石蜡切片和苏木精 -伊红染色，由 algorithm) 作为训练方法，该算法是介于牛顿法与
经验丰富的病理学家判断组织病理学结果。结节性 梯度下降法之间的一种非线性优化方法，对于过参
甲状腺肿、甲状腺腺瘤和甲状腺炎被归为良性，甲 数化问题不敏感，能有效处理冗余参数问题，使代价
状腺乳头状癌、滤泡状甲状腺癌等归为恶性。 函数陷入局部极小值的机会大大减小，因此适用于
病理学检查的良恶性将作为金标准用于之后 当前的问题。使用 “交叉熵” 作为网络的代价函数，
的 ANN 监督学习和敏感性、特异性、正确率的 其优点在于使用 sigmoid 函数在梯度下降时能避免
统计。 均方误差损失函数学习速率降低的问题，因为学习

1.4 结节的选取和特征提取 速率可以被输出的误差所控制。
首先，由有经验的超声科医师用矩形框对选定 隐藏层中神经元的数量由以下经验公式确定：
甲状腺结节进行定位，选取要求为包含甲状腺结节 √
m = n + l + α, (6)
及其完整轮廓，如图2 中红框所示，同一例样本在灰
度图像和每个重构图像中选择相同区域。对每个框 其中，m是隐藏层中神经元的数量；n 是输入层中输

定的结节，使用 16 块等大的 ROI 进行覆盖，并计算 入的数量，该问题下为 96；l 是输出层中输出的数量，
其中的参数平均值作为样本特征 (如图 3 所示)。为 该问题下为1；α 是1到10之间的常数。过少的神经
分析甲状腺结节与正常组织之间的差异性，本文取 元会导致网络的欠拟合，即无法充分利用输入的信
得与之等大的参考区域 (Region of reference, RR)， 息；而过多的神经元会增加网络的复杂度，也容易在
选择与包含结节的方框相同大小的区域，且不包含 训练中陷入局部极小点，使网络学习速度变慢。经
明显异常的组织，尽量与结节相同高度，以保证是同 过调试，神经元数量最终被确定为10。
一层组织，能有效对比(如图2 中黄框所示)。 神经网络的结构示意图如图4所示，其中Input
40 代表输入的特征，在本问题下包括 16 处 RF 信号

10 包络、16 个灰度值、16 个香农熵、16 个加权熵、16
30
个 Nakagami-m 和 16 个峰度，共 96 个特征。隐藏
(mm) 20 层包含 10 个神经元，单个神经元的结构如图 4 中
20
30
10 所示，将输入 x 转为 wx + b 的形式，再由非线性
40
的 sigmoid 函数来控制输出，w 和 b 为待定系数，会
10 20 30
(mm) 在网络的收敛过程中不断调整直至稳定。输出层
与隐藏层类似，但是只包含一个神经元用于控制
图 3 多 ROI 覆盖结节和参数提取
最终的输出。Output 为 0 或 1，0 代表良性，1 代表
Fig. 3 Use multiple ROIs to cover nodules and
extract features 恶性。

Hidden Output
Input Output
w w
+ +
b b
96 1
10 1
图 4 人工神经网络结构示意图
Fig. 4 Schematic diagram of artificial neural network structure