CN120510106B - 一种甲状腺超声辅助扫描方法及系统 - Google Patents

Abstract

本发明涉及缺陷检测技术领域，具体为一种甲状腺超声辅助扫描方法及系统，包括以下步骤：获取甲状腺超声影像的像素灰度值、局部对比度及边缘锐度，计算像素梯度变化率，依据梯度幅值变化率筛选甲状腺腺体边界区域。本发明中，计算像素梯度变化率，筛选边界区域，增强腺体识别精准度，减少噪声干扰，结合多尺度梯度变化率及边缘强度优化边界分割，降低误识别概率，构建梯度差分权重矩阵，基于灰度均匀性调整边界，使分割更符合组织形态，结合灰度偏移、梯度方向分布及形态参数，提高低对比度病变检测能力，通过形态变化率与全局特征匹配提升分类准确度，结合腺体体积、激素水平及病变形态比值优化诊断支持，提高个性化诊断的可信度。

Description

一种甲状腺超声辅助扫描方法及系统

技术领域

本发明涉及缺陷检测技术领域，尤其涉及一种甲状腺超声辅助扫描方法及系统。

背景技术

缺陷检测技术领域包含对各种物体、结构或系统的异常、缺陷或故障进行自动识别和分析的方法与技术。该技术领域的核心内容包括利用计算机视觉、图像处理以及模式识别技术，对目标对象的图像或信号进行检测、特征提取与分类，以识别其中可能存在的缺陷。整体上，该领域涉及多种应用场景，包括工业制造中的产品质量检测、医疗影像分析中的病灶识别、交通监控中的异常行为检测等。在医学影像分析方面，缺陷检测技术主要用于识别影像数据中的异常结构或组织病变，以辅助医生进行诊断。其系统性技术框架包括数据采集、图像预处理、特征提取、分类决策等步骤，通过多种算法对感兴趣区域进行分析，以确定是否存在异常特征。

其中，甲状腺超声辅助扫描方法是指通过超声成像技术结合计算机图像分析方法，对甲状腺组织进行自动或半自动的扫描、分割和分析，以识别可能存在的病变区域。该方法主要涵盖基于超声图像的甲状腺区域分割、边界检测、纹理分析以及特征提取，以实现对目标区域的精准识别。具体而言，该方法利用超声探头获取甲状腺组织的超声图像数据，并通过基于梯度计算的边界检测方法提取甲状腺轮廓，随后结合纹理分析方法识别不同组织区域的回声特性。此外，该方法采用模式匹配与统计学习方法提取甲状腺结节的形态、密度及回声分布特征，以辅助病变的判别。

现有技术在边界检测过程中，固定的图像处理方法难以适应特定组织结构，易受噪声干扰，影响腺体区域边界的精确性。病变区域识别主要依赖单一的回声特性或灰度分布，忽略梯度变化及形态参数，导致低对比度病变识别能力不足，增加漏检风险。病变分类依赖单一统计模型，缺乏像素级与全局特征匹配优化，降低分类区分度，影响最终判定结果。缺少对体积、激素水平及病变形态变化比值的综合分析，诊断过程对个体差异考虑不足，难以提供精准的个性化诊断建议，降低影像分析的临床适用性。

发明内容

本发明的目的是解决现有技术中存在的缺点，而提出的一种甲状腺超声辅助扫描方法及系统。

为了实现上述目的，本发明采用了如下技术方案：一种甲状腺超声辅助扫描方法，包括以下步骤：

S1：获取甲状腺超声影像的像素灰度值、局部对比度及边缘锐度，计算像素梯度变化率，依据梯度幅值变化率筛选甲状腺腺体边界区域，得到甲状腺超声影像梯度特征参数；

S2：基于所述甲状腺超声影像梯度特征参数，计算差异化尺度下的梯度变化率及边缘强度，依据边缘强度筛选腺体组织边界，计算灰度均匀性并构建梯度差分权重矩阵，调整梯度变化剧烈但灰度均匀区域的边界，计算像素点在差异化尺度下的局部均值偏差，依据类别间均值差异设定分割阈值，得到甲状腺腺体分割边界数据；

S3：基于所述甲状腺腺体分割边界数据，计算病变区域的像素灰度偏移量、梯度方向分布及形态参数，测量局部对比度变异系数，筛选低对比度病变区域，得到甲状腺病变区域形态与对比度特征；

S4：基于所述甲状腺病变区域形态与对比度特征，计算病变区域的形态变化率，依据类间方差设定分类权重，计算像素级与全局特征匹配拟合度，得到甲状腺病变分类匹配结果；

S5：基于所述甲状腺病变分类匹配结果，提取甲状腺体积、激素水平及病变形态变化比值，计算病变特征与确诊数据库的拟合度，计算分类方法可信度，得到甲状腺个性化诊断动态权重参数。

作为本发明的进一步方案，所述甲状腺超声影像梯度特征参数包括像素梯度变化率、梯度幅值变化率、腺体边界区域，所述甲状腺腺体分割边界数据包括差异化尺度梯度变化率、边缘强度、灰度均匀性、梯度差分权重矩阵、局部均值偏差、分割阈值，所述甲状腺病变区域形态与对比度特征包括像素灰度偏移量、梯度方向分布、形态参数、局部对比度变异系数、低对比度病变区域，所述甲状腺病变分类匹配结果包括病变区域形态变化率、分类权重、像素级与全局特征匹配拟合度，所述甲状腺个性化诊断动态权重参数包括甲状腺体积、激素水平、病变形态变化比值、病变特征与确诊数据库拟合度、分类方法可信度。

作为本发明的进一步方案，所述甲状腺超声影像梯度特征参数的获取步骤具体为：

S101：获取甲状腺超声影像的像素灰度值，遍历影像像素点，记录多像素点灰度值，依据像素点空间分布计算灰度直方图，统计差异化灰度值对应像素数量，计算灰度均值及方差，划分多个空间区间，计算多区间灰度均值，依据多区间灰度均值的变化情况计算整体灰度趋势，基于像素点灰度值及其分布特征，进行灰度特性计算，获取像素灰度分布参数；

S102：基于所述像素灰度分布参数，选取多个窗口区域，计算窗口内最大灰度值与最小灰度值的比值，统计所有窗口的对比度值，计算区域对比度的均值及标准差，依据对比度的空间分布情况计算差异化区域对比度波动趋势，针对多区域对比度的变化特性计算整体图像的对比度变化情况，进行局部对比度特性计算，得到局部对比度变化参数；

S103：基于所述局部对比度变化参数，计算像素梯度变化率，依据像素点在多个方向上的灰度梯度计算梯度幅值，依据梯度幅值变化情况筛选梯度幅值变化率超过设定阈值的像素点，标定甲状腺腺体边界区域，计算区域的平均梯度幅值、梯度方向分布情况及边缘锐度值，进行边界区域特性计算，获取甲状腺超声影像梯度特征参数。

作为本发明的进一步方案，述甲状腺腺体分割边界数据的获取步骤具体为：

S201：基于所述甲状腺超声影像梯度特征参数，计算差异化尺度下的梯度变化率，确定差异化尺度下的像素梯度值，计算梯度变化率并分析梯度幅值在差异化尺度的变化情况，依据变化情况计算多区域的边缘强度，筛选边缘强度大于设定阈值的像素点，标定腺体组织边界区域，获取腺体组织边界像素分布；

S202：基于所述腺体组织边界像素分布，计算多区域的灰度均匀性，统计腺体组织区域的灰度均值及方差，构建梯度差分权重矩阵，依据梯度剧烈变化区域的灰度均匀性调整边界，筛选灰度均匀但梯度变化剧烈的边界区域，调整边界位置，获取梯度调整后腺体边界；

S203：基于所述梯度调整后腺体边界，计算像素点在差异化尺度下的局部均值偏差，计算多类别间的均值差异，依据均值差异设定分割阈值，筛选满足阈值条件的像素点，标定腺体分割边界，获取甲状腺腺体分割边界数据。

作为本发明的进一步方案，所述计算像素点在差异化尺度下的局部均值偏差，采用公式：

计算局部均值偏差D_p，计算多类别间的均值差异，依据均值差异设定分割阈值，筛选满足阈值条件的像素点，标定腺体分割边界，获取甲状腺腺体分割边界数据；

其中，D_p代表像素点p在不同尺度s_i下的局部均值偏差，代表像素点p在尺度s_i下的灰度值，代表尺度s_i下的局部均值，n代表所选取的尺度数量，i代表尺度索引，s_i代表第i个选取的尺度。

作为本发明的进一步方案，所述甲状腺病变区域形态与对比度特征的获取步骤具体为：

S301：基于所述甲状腺腺体分割边界数据，计算病变区域的像素灰度偏移量，提取病变区域像素灰度值，计算各像素点相对于周围像素的灰度偏移量，统计不同方向上的灰度偏移趋势，分析梯度方向分布情况，计算梯度方向变化幅度，依据灰度偏移及梯度信息进行病变区域像素特征计算，获取病变区域灰度偏移与梯度方向数据；

S302：基于所述病变区域灰度偏移与梯度方向数据，计算病变区域形态参数，统计病变区域面积、周长及形态比值，计算区域内部灰度值分布特征，依据形态参数及灰度分布特性计算局部对比度变异系数，分析病变区域的对比度变化情况，进行形态及对比度特征计算，获取病变区域形态参数与对比度变异系数；

S303：基于所述病变区域形态参数与对比度变异系数，筛选低对比度病变区域，依据病变区域的对比度变异系数设定筛选阈值，筛选符合阈值范围的病变区域，计算低对比度病变区域的面积占比及空间分布情况，进行病变区域筛选计算，获取甲状腺病变区域形态与对比度特征。

作为本发明的进一步方案，所述甲状腺病变分类匹配结果的获取步骤具体为：

S401：基于所述甲状腺病变区域形态与对比度特征，提取病变区域的轮廓信息，计算轮廓在差异化方向的梯度变化，统计病变区域边界的梯度波动情况，依据波动幅度计算形态变化率，分析形态变化趋势，进行病变形态特征计算，获取病变区域形态变化率；

S402：基于所述病变区域形态变化率，依据类间方差设定分类权重，计算病变区域与周围组织的灰度方差，分析差异化类别病变区域的灰度均值，计算方差信息，依据方差比调整分类权重，结合形态变化特征计算病变类别的分类参数，进行分类权重计算，获取病变区域分类权重参数；

S403：基于所述病变区域分类权重参数，计算像素级与全局特征匹配拟合度，分析病变区域像素特征与全局统计特征的匹配情况，计算像素级特征的误差分布，依据误差情况调整病变类别归属，筛选符合匹配条件的病变类别，进行匹配计算，获取甲状腺病变分类匹配结果。

作为本发明的进一步方案，所述计算像素级特征的误差分布，采用公式：

计算误差分布值，依据误差情况调整病变类别归属，筛选符合匹配条件的病变类别，进行匹配计算，获取甲状腺病变分类匹配结果；

其中，E_p代表像素级特征的误差分布值，N代表病变区域内的像素总数，P_i代表第i个像素的灰度值，μ_P代表病变区域内所有像素灰度值的均值，σ_P代表病变区域内所有像素灰度值的标准差，M代表全局统计特征的总数，W_j代表第j个全局特征的权重参数，F_ij代表第i个像素在第j个特征维度上的特征值，代表第j个全局特征的均值。

作为本发明的进一步方案，所述甲状腺个性化诊断动态权重参数的获取步骤具体为：

S501：基于所述甲状腺病变分类匹配结果，提取甲状腺体积、激素水平及病变形态变化比值，计算病变区域的体积占比，统计病变区域的激素水平数据，计算病变形态在不同时间节点的变化比值，分析体积、激素水平及形态变化的关联性，计算特征数据的波动范围，依据波动趋势构建病变特征参数集，进行病变特征参数计算，获取病变特征比值数据；

S502：基于所述病变特征比值数据，计算病变特征与确诊数据库的拟合度，统计病变特征的均值与标准差，计算特征偏差并测量拟合度，进行病变特征匹配计算，获取病变特征拟合度；

S503：基于所述病变特征拟合度，计算分类方法可信度，分析病变分类误差范围，统计误差的分布情况，计算可信度区间并调整分类权重，获取甲状腺个性化诊断动态权重参数。

一种甲状腺超声辅助扫描系统，所述甲状腺超声辅助扫描系统用于执行上述甲状腺超声辅助扫描方法，所述系统包括：

影像梯度分析模块获取甲状腺超声影像的像素灰度值、局部对比度及边缘锐度，计算像素梯度变化率，基于像素梯度变化率筛选甲状腺腺体边界区域，计算边界区域内像素点的梯度特征参数，筛选出梯度幅值变化率符合腺体组织特征的像素区域，得到甲状腺超声影像梯度特征参数；

腺体边界分割模块调用所述甲状腺超声影像梯度特征参数，计算差异化尺度下的梯度变化率及边缘强度，基于边缘强度筛选腺体组织边界区域，计算灰度均匀性并构建梯度差分权重矩阵，调整梯度变化剧烈但灰度均匀区域的边界，计算像素点在差异化尺度下的局部均值偏差，依据类别间均值差异设定分割阈值，得到甲状腺腺体分割边界数据；

病变特征提取模块调用所述甲状腺腺体分割边界数据，计算病变区域的像素灰度偏移量、梯度方向分布及形态参数，测量局部对比度变异系数，筛选低对比度病变区域，得到甲状腺病变区域形态与对比度特征；

病变分类匹配模块调用所述甲状腺病变区域形态与对比度特征，计算病变区域的形态变化率，依据类间方差设定分类权重，计算像素级与全局特征匹配拟合度，得到甲状腺病变分类匹配结果；

个性化诊断计算模块调用所述甲状腺病变分类匹配结果，提取甲状腺体积、激素水平及病变形态变化比值，计算病变特征与确诊数据库的拟合度，计算分类方法可信度，得到甲状腺个性化诊断动态权重参数。

与现有技术相比，本发明的优点和积极效果在于：

本发明中，通过计算像素梯度变化率，并依据梯度幅值变化率筛选边界区域，增强腺体结构识别的精准度，减少噪声干扰对边界判定的影响。结合差异化尺度下的梯度变化率及边缘强度计算，优化腺体组织的边界分割，降低梯度剧烈变化区域的误识别概率。构建梯度差分权重矩阵，基于灰度均匀性调整边界，使分割结果更加符合实际组织形态。结合像素灰度偏移量、梯度方向分布及形态参数的计算，提升低对比度病变的检测能力。通过形态变化率计算及像素级与全局特征匹配，提高病变分类的准确度。结合甲状腺体积、激素水平及病变形态变化比值，优化诊断数据支持，结合病变特征与确诊数据库拟合度计算，提高个性化诊断的可信度和科学依据。

附图说明

图1为本发明的工作流程示意图；

图2为本发明甲状腺超声影像梯度特征参数的获取步骤流程图；

图3为本发明甲状腺腺体分割边界数据的获取步骤流程图；

图4为本发明甲状腺病变区域形态与对比度特征的获取步骤流程图；

图5为本发明甲状腺病变分类匹配结果的获取步骤流程图；

图6为本发明甲状腺个性化诊断动态权重参数的获取步骤流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1，本发明提供一种技术方案：一种甲状腺超声辅助扫描方法，包括以下步骤：

S1：获取甲状腺超声影像的像素灰度值、局部对比度及边缘锐度，计算像素梯度变化率，依据梯度幅值变化率筛选甲状腺腺体边界区域，得到甲状腺超声影像梯度特征参数；

S2：基于甲状腺超声影像梯度特征参数，计算差异化尺度下的梯度变化率及边缘强度，依据边缘强度筛选腺体组织边界，计算灰度均匀性并构建梯度差分权重矩阵，调整梯度变化剧烈但灰度均匀区域的边界，计算像素点在差异化尺度下的局部均值偏差，依据类别间均值差异设定分割阈值，得到甲状腺腺体分割边界数据；

S3：基于甲状腺腺体分割边界数据，计算病变区域的像素灰度偏移量、梯度方向分布及形态参数，测量局部对比度变异系数，筛选低对比度病变区域，得到甲状腺病变区域形态与对比度特征；

S4：基于甲状腺病变区域形态与对比度特征，计算病变区域的形态变化率，依据类间方差设定分类权重，计算像素级与全局特征匹配拟合度，得到甲状腺病变分类匹配结果；

S5：基于甲状腺病变分类匹配结果，提取甲状腺体积、激素水平及病变形态变化比值，计算病变特征与确诊数据库的拟合度，计算分类方法可信度，得到甲状腺个性化诊断动态权重参数。

甲状腺超声影像梯度特征参数包括像素梯度变化率、梯度幅值变化率、腺体边界区域，甲状腺腺体分割边界数据包括差异化尺度梯度变化率、边缘强度、灰度均匀性、梯度差分权重矩阵、局部均值偏差、分割阈值，甲状腺病变区域形态与对比度特征包括像素灰度偏移量、梯度方向分布、形态参数、局部对比度变异系数、低对比度病变区域，甲状腺病变分类匹配结果包括病变区域形态变化率、分类权重、像素级与全局特征匹配拟合度，甲状腺个性化诊断动态权重参数包括甲状腺体积、激素水平、病变形态变化比值、病变特征与确诊数据库拟合度、分类方法可信度。

请参阅图2，甲状腺超声影像梯度特征参数的获取步骤具体为：

S101：获取甲状腺超声影像的像素灰度值，遍历影像像素点，记录多像素点灰度值，依据像素点空间分布计算灰度直方图，统计差异化灰度值对应像素数量，计算灰度均值及方差，划分多个空间区间，计算多区间灰度均值，依据多区间灰度均值的变化情况计算整体灰度趋势，基于像素点灰度值及其分布特征，进行灰度特性计算，获取像素灰度分布参数；

获取甲状腺超声影像的像素灰度值，首先从超声影像中读取像素点的灰度值信息，遍历所有像素点，并对其灰度值进行记录，同时利用二维坐标信息存储像素点的空间位置，构建灰度直方图，通过遍历像素灰度值并进行分组统计，计算每个灰度级别对应的像素点数量，例如，若灰度级别设定为0-255，某一超声影像的像素灰度值分布可能为：灰度值20对应像素数150个，灰度值50对应像素数300个，以此类推，得到完整的灰度直方图数据，随后计算整幅影像的灰度均值和方差，灰度均值计算公式为其中，N为总像素数，P_i为像素灰度值，若影像总像素数为1024×768，计算所得灰度均值为128.5，方差计算公式为假设计算得到方差为35.6，接着，按照空间位置划分多个空间区间，例如，将图像划分为4×4的16个子区域，在每个子区域内分别计算灰度均值，得到的灰度均值矩阵为：

然后计算各子区域的灰度均值变化趋势，例如，按行计算均值变化趋势，若均值随行号递增，说明灰度分布存在梯度变化，利用线性拟合方法计算趋势变化率，假设得到趋势斜率为0.15，随后结合整体像素点灰度值及其分布特性计算灰度特性参数，例如计算全局灰度对比度，取最大灰度值与最小灰度值的比值，假设最大灰度值为240，最小灰度值为10，则计算对比度最后，基于各项计算获取像素灰度分布参数，该参数用于后续的影像分析处理。

S102：基于像素灰度分布参数，选取多个窗口区域，计算窗口内最大灰度值与最小灰度值的比值，统计所有窗口的对比度值，计算区域对比度的均值及标准差，依据对比度的空间分布情况计算差异化区域对比度波动趋势，针对多区域对比度的变化特性计算整体图像的对比度变化情况，进行局部对比度特性计算，得到局部对比度变化参数；

基于像素灰度分布参数，选取多个窗口区域，设置窗口大小为5×5像素，对每个窗口计算最大灰度值与最小灰度值的比值，例如，窗口1内最大灰度值为230，最小灰度值为20，则其对比度计算为依次计算所有窗口的对比度值，并统计其均值和标准差，假设计算所得均值为12.3，标准差为2.5，接着，分析对比度的空间分布情况，使用分区法计算不同区域的对比度变化情况，例如，将图像划分为上、下、左、右四个象限，各象限计算对比度均值分别为12.1、13.5、11.8、12.6，基于这些数值计算差异化区域对比度波动趋势，使用标准差计算各区域波动幅度，例如，上区域的标准差为2.1，下区域的标准差为2.8，左区域的标准差为1.9，右区域的标准差为2.3，随后对所有区域进行统计分析，针对各区域对比度变化特性计算整体图像的对比度变化情况，使用均方根方法计算整体对比度变化率，例如，计算所得均方根对比度变化值为2.35，最终得到局部对比度变化参数，该参数可用于影像对比度特性分析。

S103：基于局部对比度变化参数，计算像素梯度变化率，依据像素点在多个方向上的灰度梯度计算梯度幅值，依据梯度幅值变化情况筛选梯度幅值变化率超过设定阈值的像素点，标定甲状腺腺体边界区域，计算区域的平均梯度幅值、梯度方向分布情况及边缘锐度值，进行边界区域特性计算，获取甲状腺超声影像梯度特征参数。

基于局部对比度变化参数，计算像素梯度变化率，首先获取像素点在多个方向上的灰度梯度，例如，采用Sobel算子计算水平方向梯度G_x＝P(x+1,y)-P(x-1,y)垂直方向梯度G_y＝P(x,y+1)-P(x,y-1)计算梯度幅值对于所有像素计算梯度幅值，并统计其变化情况，设置梯度变化阈值为15，筛选出变化率超过该阈值的像素点，例如，在某区域中，有50个像素点满足变化率超过15的条件，则标定该区域为甲状腺腺体边界区域，进一步计算该区域的平均梯度幅值，例如，所有像素梯度幅值均值为25.3，计算梯度方向分布情况，统计各梯度方向像素点比例，例如，0°方向占比20％，45°方向占比30％，90°方向占比25％，135°方向占比25％，同时计算边缘锐度值，采用梯度均方根方法计算边缘锐度，计算结果为18.7，最终获取甲状腺超声影像梯度特征参数。

请参阅图3，甲状腺腺体分割边界数据的获取步骤具体为：

S201：基于甲状腺超声影像梯度特征参数，计算差异化尺度下的梯度变化率，确定差异化尺度下的像素梯度值，计算梯度变化率并分析梯度幅值在差异化尺度的变化情况，依据变化情况计算多区域的边缘强度，筛选边缘强度大于设定阈值的像素点，标定腺体组织边界区域，获取腺体组织边界像素分布；

基于甲状腺超声影像梯度特征参数，计算差异化尺度下的梯度变化率，首先，将超声影像划分为不同尺度的区域，设定尺度大小分别为3×3、5×5、7×7等窗口，针对每个尺度计算局部像素梯度变化率，采用Sobel算子计算水平方向梯度G_x＝P(x+1,y)-P(x-1,y)与垂直方向梯度G_y＝P(x,y+1)-P(x,y-1)再计算梯度幅值在不同尺度的窗口内，对梯度幅值进行归一化处理，计算梯度变化率，设定像素点(i,j)在k尺度下的梯度变化率计算公式为：

其中，∈为防止分母为零的微小数值，假设在3×3尺度下某点梯度幅值为20，在5×5尺度下变为25，则其梯度变化率为：

统计所有像素点在各尺度下的梯度变化率，分析梯度幅值在差异化尺度上的变化情况，计算变化趋势，例如，使用线性拟合方法计算变化率的平均增长速率，假设计算所得速率为0.12，接着依据梯度变化情况计算各区域边缘强度，边缘强度定义为梯度幅值在局部区域的均值，计算公式为：

其中，N为区域内像素总数，若某区域内像素的平均梯度幅值为30，则边缘强度为30，随后设定边缘强度阈值，例如，阈值设定为25，筛选边缘强度大于该阈值的像素点，将满足条件的像素点标定为腺体组织边界区域，最终获取腺体组织边界像素分布。

S202：基于腺体组织边界像素分布，计算多区域的灰度均匀性，统计腺体组织区域的灰度均值及方差，构建梯度差分权重矩阵，依据梯度剧烈变化区域的灰度均匀性调整边界，筛选灰度均匀但梯度变化剧烈的边界区域，调整边界位置，获取梯度调整后腺体边界；

基于腺体组织边界像素分布，计算多区域的灰度均匀性，首先，将腺体区域划分为多个子区域，例如，划分为4×4共16个区域，在每个区域内计算灰度均值，设定灰度均值计算公式为其中，N为子区域内像素总数，P(i,j)为像素灰度值，假设某区域内像素灰度均值计算结果为128.4，接着计算方差若计算所得方差为22.5，则该区域灰度分布较为均匀，统计所有子区域的灰度均值及方差，构建梯度差分权重矩阵，该矩阵用于表征梯度剧烈变化区域的灰度均匀性，设定权重计算公式为：

其中，G_avg为全局梯度均值，σ_G为梯度标准差，若某像素点梯度值为35，全局梯度均值为30，梯度标准差为5，则该点的权重计算为

依据梯度剧烈变化区域的灰度均匀性调整边界，筛选灰度均匀但梯度变化剧烈的边界区域，设定筛选标准，例如，筛选灰度方差小于30但梯度变化率大于0.2的区域，最终调整边界位置，获取梯度调整后腺体边界。

S203：基于梯度调整后腺体边界，计算像素点在差异化尺度下的局部均值偏差，计算多类别间的均值差异，依据均值差异设定分割阈值，筛选满足阈值条件的像素点，标定腺体分割边界，获取甲状腺腺体分割边界数据。

计算像素点在差异化尺度下的局部均值偏差，采用公式：

计算局部均值偏差D_p，计算多类别间的均值差异，依据均值差异设定分割阈值，筛选满足阈值条件的像素点，标定腺体分割边界，获取甲状腺腺体分割边界数据；

其中，D_p代表像素点p在不同尺度s_i下的局部均值偏差，代表像素点p在尺度s_i下的灰度值，代表尺度s_i下的局部均值，n代表所选取的尺度数量，i代表尺度索引，s_i代表第i个选取的尺度。

公式：

公式详解和公式计算推导过程：

该公式用于计算像素点p在不同尺度s_i下的局部均值偏差D_p。计算步骤如下：

获取不同尺度下的图像灰度值：

对于原始图像，应用不同的尺度变换(如不同大小的高斯模糊)以获得不同尺度s_i下的图像。具体操作是对原始图像应用高斯滤波器，滤波器的标准差σ对应于所需的尺度。常用的σ值范围为0.5至2.0，每次递增0.5。通过对原始图像应用这些不同的高斯滤波器，得到一系列不同尺度的图像。

计算局部均值

在每个尺度s_i下，以像素点p为中心，定义一个窗口(如5×5的矩形区域)。在该窗口内，计算所有像素的灰度值的平均值，得到局部均值例如，对于一个5×5的窗口，计算过程为：

其中，表示窗口内第j个像素在尺度s_i下的灰度值。

计算绝对差值并求平均：

对于每个尺度s_i，计算像素点p的灰度值与对应的局部均值之间的绝对差值。然后，将所有尺度下的绝对差值相加，并除以尺度数量n，得到像素点p的局部均值偏差D_p：

具体算例：

假设对原始图像应用高斯滤波器，选择尺度参数σ分别为0.5、1.0和1.5，得到三个不同尺度的图像(即n＝3)。对于像素点p，在这三个尺度下的灰度值分别为120、125和130。以p为中心的5×5窗口内，计算每个尺度的局部均值：

对于σ＝0.5：

对于σ＝1.0：

对于σ＝1.5：

然后，计算每个尺度下的绝对差值：

对于σ＝0.5：

对于σ＝1.0：

对于σ＝1.5：

最后，计算局部均值偏差D_p：

该结果表明，像素点p在所选的不同尺度下，其灰度值与对应局部均值的平均绝对偏差为1.67。此数值反映了像素点p在不同尺度下的局部亮度变化情况，可用于后续的图像分割或特征提取过程。

请参阅图4，甲状腺病变区域形态与对比度特征的获取步骤具体为：

S301：基于甲状腺腺体分割边界数据，计算病变区域的像素灰度偏移量，提取病变区域像素灰度值，计算各像素点相对于周围像素的灰度偏移量，统计不同方向上的灰度偏移趋势，分析梯度方向分布情况，计算梯度方向变化幅度，依据灰度偏移及梯度信息进行病变区域像素特征计算，获取病变区域灰度偏移与梯度方向数据；

基于甲状腺腺体分割边界数据，首先提取病变区域的像素灰度值，从分割出的病变区域中遍历像素点，记录每个像素的灰度值，并计算相对于周围像素的灰度偏移量，灰度偏移量计算公式如下：

其中，D(x,y)为像素点(x,y)的灰度偏移量，P(x,y)为该像素点的灰度值，P(x_i,y_i)为周围N个邻近像素的灰度值，假设某个像素点的灰度值为150，周围5个像素点的灰度均值为140，则其灰度偏移量计算为：

D(x,y)＝150-140＝10；

然后，统计不同方向上的灰度偏移趋势，采用窗口滑动法，在水平方向、垂直方向及对角方向计算灰度偏移均值，分别得到水平偏移均值为8，垂直方向偏移均值为12，对角方向偏移均值为10，接着，分析梯度方向分布情况，计算每个像素的梯度方向，梯度方向公式为：

其中，G_x和G_y分别为水平方向和垂直方向的梯度值，假设某点的G_x＝30，G_y＝40，则梯度方向计算为

然后，统计梯度方向变化幅度，计算梯度方向的标准差，假设某区域内梯度方向标准差为15°，则该区域的梯度变化较为剧烈，结合灰度偏移及梯度信息，计算病变区域的像素特征，包括灰度波动范围、梯度方向集中性等，最终获取病变区域灰度偏移与梯度方向数据。

S302：基于病变区域灰度偏移与梯度方向数据，计算病变区域形态参数，统计病变区域面积、周长及形态比值，计算区域内部灰度值分布特征，依据形态参数及灰度分布特性计算局部对比度变异系数，分析病变区域的对比度变化情况，进行形态及对比度特征计算，获取病变区域形态参数与对比度变异系数；

基于病变区域灰度偏移与梯度方向数据，计算病变区域形态参数，首先统计病变区域的面积，采用像素计数法计算区域内像素点个数，假设病变区域包含500个像素点，像素间距为0.1mm，则病变区域面积计算为A＝500×(0.1)²＝5mm²；

然后，计算病变区域的周长，使用边缘像素计数法，假设边缘像素数为120，周长计算为P＝120×0.1＝12mm；

接着，计算形态比值，形态比值定义为

代入计算

然后，计算区域内部灰度值分布特征，统计病变区域的灰度均值及方差，假设灰度均值为135，方差为20，接着，依据形态参数及灰度分布特性计算局部对比度变异系数，定义为

其中，σ为灰度方差，μ为灰度均值，计算得到

最后，分析病变区域的对比度变化情况，统计不同区域的对比度波动范围，计算最大对比度与最小对比度的比值，得到病变区域形态参数与对比度变异系数。

S303：基于病变区域形态参数与对比度变异系数，筛选低对比度病变区域，依据病变区域的对比度变异系数设定筛选阈值，筛选符合阈值范围的病变区域，计算低对比度病变区域的面积占比及空间分布情况，进行病变区域筛选计算，获取甲状腺病变区域形态与对比度特征。

基于病变区域形态参数与对比度变异系数，筛选低对比度病变区域，设定对比度变异系数的筛选阈值，假设设定阈值为T_c＝0.2，筛选满足C_v<0.2的病变区域，计算低对比度病变区域的面积占比，定义为

其中，A_low-contrast为低对比度病变区域面积，A_total为总病变区域面积，假设低对比度病变区域面积为2.5mm2，总病变区域面积为10mm2，则计算

然后，分析低对比度病变区域的空间分布情况，统计病变区域在超声影像中的分布位置，判断其集中度，若病变主要分布在腺体中央区域，则标记为中央型病变，否则标记为边缘型病变，最终获取甲状腺病变区域形态与对比度特征。

请参阅图5，甲状腺病变分类匹配结果的获取步骤具体为：

S401：基于甲状腺病变区域形态与对比度特征，提取病变区域的轮廓信息，计算轮廓在差异化方向的梯度变化，统计病变区域边界的梯度波动情况，依据波动幅度计算形态变化率，分析形态变化趋势，进行病变形态特征计算，获取病变区域形态变化率；

基于甲状腺病变区域形态与对比度特征，首先提取病变区域的轮廓信息，采用边缘检测方法如Sobel算子计算边界像素梯度值，遍历病变区域像素点，记录边界轮廓点，并计算轮廓在多个方向上的梯度变化，梯度变化计算公式为

其中，G_x和G_y分别为水平方向和垂直方向的梯度，假设某像素点的G_x＝25，G_y＝40，则其梯度计算为

然后，统计病变区域边界的梯度波动情况，计算边界像素的梯度标准差，设定统计窗口大小为5×5，计算窗口内梯度均值，若某窗口内梯度均值为45，标准差为6，则判断该窗口的梯度波动较大，接着依据波动幅度计算形态变化率，形态变化率计算公式为

其中，G_max和G_min分别为病变区域的最大和最小梯度值，若G_max＝50，G_min＝20，则

然后分析形态变化趋势，计算梯度变化随边界位置的变化速率，采用差分计算法分析梯度随轮廓曲率的变化，设定曲率阈值T_c＝0.2，若某轮廓曲率变化速率超过该阈值，则判断该轮廓为不规则病变边界，最后结合所有形态计算数据，获取病变区域形态变化率。

S402：基于病变区域形态变化率，依据类间方差设定分类权重，计算病变区域与周围组织的灰度方差，分析差异化类别病变区域的灰度均值，计算方差信息，依据方差比调整分类权重，结合形态变化特征计算病变类别的分类参数，进行分类权重计算，获取病变区域分类权重参数；

基于病变区域形态变化率，依据类间方差设定分类权重，首先计算病变区域与周围组织的灰度方差，采用像素灰度统计法，计算病变区域灰度方差公式为

其中，为病变区域灰度方差，P_i为病变区域像素灰度值，μ_b为病变区域灰度均值，若病变区域包含100个像素，灰度均值为120，单个像素灰度值依次110、115、125、130……

计算所得灰度方差为18.2，同理，计算周围组织的灰度方差为10.5，然后分析差异化类别病变区域的灰度均值，计算方差信息，定义为

代入计算得

然后依据方差比调整分类权重，设定方差比阈值T_v＝1.5，若V>T_v，则分类权重调整系数设为1.2，否则设为1，最终结合形态变化特征计算病变类别的分类参数，计算不同类别的病变区域分类权重，最终获取病变区域分类权重参数。

S403：基于病变区域分类权重参数，计算像素级与全局特征匹配拟合度，分析病变区域像素特征与全局统计特征的匹配情况，计算像素级特征的误差分布，依据误差情况调整病变类别归属，筛选符合匹配条件的病变类别，进行匹配计算，获取甲状腺病变分类匹配结果。

计算像素级特征的误差分布，采用公式：

计算误差分布值，依据误差情况调整病变类别归属，筛选符合匹配条件的病变类别，进行匹配计算，获取甲状腺病变分类匹配结果；

其中，E_p代表像素级特征的误差分布值，N代表病变区域内的像素总数，P_i代表第i个像素的灰度值，μ_P代表病变区域内所有像素灰度值的均值，σ_P代表病变区域内所有像素灰度值的标准差，M代表全局统计特征的总数，W_j代表第j个全局特征的权重参数，F_ij代表第i个像素在第j个特征维度上的特征值，代表第j个全局特征的均值。

公式：

公式详解和公式计算推导过程：

该公式用于计算医学图像中病变区域的像素级特征误差分布值E_p，以评估每个像素与全局特征的匹配程度。

参数获取方式：

N：病变区域内的像素总数。通过对医学图像进行分割，确定病变区域的边界，然后统计该区域内的像素数量。

P_i：第i个像素的灰度值。直接从图像数据中获取，灰度值范围通常为0到255。

μ_P：病变区域内所有像素灰度值的均值。通过计算病变区域内所有像素灰度值的平均值获得。

σ_P：病变区域内所有像素灰度值的标准差。通过计算病变区域内所有像素灰度值的标准差获得。

M：全局统计特征的总数。根据所选取的全局特征种类确定，例如纹理、形状等特征的数量。

W_j：第j个全局特征的权重参数。根据特征对分类任务的重要性，通过专家经验或使用统计方法(如主成分分析)确定。

F_ij：第i个像素在第j个特征维度上的特征值。通过对每个像素计算相应的特征(如纹理、梯度等)获得。

第j个全局特征的均值。通过计算全图或病变区域内所有像素在第j个特征维度上的平均值获得。

具体数值示例：

假设在一幅医学图像中，经过分割得到病变区域包含N＝1000个像素。

计算灰度值均值μ_P和标准差σ_P：

从图像数据中获取病变区域内所有像素的灰度值，计算其均值和标准差。

例如，假设灰度值均值μ_P＝120，标准差σ_P＝15。

确定全局特征数量M和权重W_j：

选择3种全局特征(如纹理、形状、边缘强度)，因此M＝3。

根据每种特征对分类的重要性，设定权重：

W₁＝0.5(纹理特征)；

W₂＝0.3(形状特征)；

W₃＝0.2(边缘强度特征)；

计算每个像素的特征值F_ij和全局特征均值

对于每个像素i和每个特征j，计算特征值F_ij。

例如，对于第一个像素i＝1：

纹理特征值F₁₁＝0.8；

形状特征值F₁₂＝0.6；

边缘强度特征值F₁₃＝0.4；

计算全局特征均值

计算每个像素的误差分布值E_p：

对于第一个像素i＝1，其灰度值P₁＝130：

标准化灰度差：

特征差加权和：

计算最终误差分布值E_p：

对于第一个像素i＝1：

推导结论：

对所有像素i＝1,2,...,1000进行计算，最终得到的E_p反映了病变区域内像素特征与全局统计特征的匹配情况。较高的E_p值表明病变区域内像素特征与全局统计特征存在较大偏差，可能需要进一步调整病变类别归属或优化分类模型。较低的E_p值表明病变区域像素特征与全局统计特征匹配度较高。

请参阅图6，甲状腺个性化诊断动态权重参数的获取步骤具体为：

S501：基于甲状腺病变分类匹配结果，提取甲状腺体积、激素水平及病变形态变化比值，计算病变区域的体积占比，统计病变区域的激素水平数据，计算病变形态在不同时间节点的变化比值，分析体积、激素水平及形态变化的关联性，计算特征数据的波动范围，依据波动趋势构建病变特征参数集，进行病变特征参数计算，获取病变特征比值数据；

基于甲状腺病变分类匹配结果，首先提取甲状腺体积、激素水平及病变形态变化比值，甲状腺体积通过超声成像数据获取，使用椭球体积计算公式

其中，a、b、c分别为甲状腺的长、宽、高，假设甲状腺尺寸为a＝4.2cm，b＝2.5cm，c＝1.8cm，则体积计算为

然后，计算病变区域的体积占比，设病变体积为12.5cm3，则体积占比计算

接着，统计病变区域的激素水平数据，记录甲状腺激素(如TSH、T3、T4)在多个时间节点的数值，设TSH水平为3.1mIU/L，T3为1.8nmol/L，T4为9.2μg/dL，计算病变形态在不同时间节点的变化比值，定义形态变化比值为

其中，S_t和S_t:1为两个时间节点的病变形态参数，若某时间点病变形态比值由0.22变为0.25，则

然后，分析体积、激素水平及形态变化的关联性，计算三者之间的相关系数，设计算得相关系数分别为0.82、0.75、0.68，说明变量间存在较强关联，接着计算特征数据的波动范围，统计最大值、最小值、均值及标准差，例如，体积变化均值0.14，标准差0.03，激素水平变化均值0.15，标准差0.04，依据波动趋势构建病变特征参数集，最终获取病变特征比值数据。

S502：基于病变特征比值数据，计算病变特征与确诊数据库的拟合度，统计病变特征的均值与标准差，计算特征偏差并测量拟合度，进行病变特征匹配计算，获取病变特征拟合度；

基于病变特征比值数据，计算病变特征与确诊数据库的拟合度，首先统计病变特征的均值与标准差，设病变特征均值为0.16，标准差为0.05，使用均方误差计算特征偏差，定义误差计算公式为

其中，X_i为个体病变特征数据，X为确诊数据库的特征均值，假设数据库均值为0.15，病变特征样本数据为0.14,0.16,0.17,0.18,0.13，则误差计算为：

然后，测量拟合度，定义拟合度计算公式

设标准差σ＝0.05，代入计算

然后，进行病变特征匹配计算，计算特征匹配评分，设评分阈值为0.7，若匹配度低于0.7，则降低该病变数据的权重，最终获取病变特征拟合度。

S503：基于病变特征拟合度，计算分类方法可信度，分析病变分类误差范围，统计误差的分布情况，计算可信度区间并调整分类权重，获取甲状腺个性化诊断动态权重参数。

基于病变特征拟合度，计算分类方法可信度，首先分析病变分类误差范围，统计分类误差的分布情况，设病变类别分布均值为0.18，标准差为0.06，计算误差范围

其中，C_j为病变分类数据，C为分类均值，假设某分类数据0.15,0.17,0.19,0.21,0.14；

计算

然后计算可信度区间，采用置信区间计算

设N＝30，计算

然后调整分类权重，依据可信度区间设定分类权重阈值，若某分类数据超出可信度区间，则降低权重系数，最终获取甲状腺个性化诊断动态权重参数。

一种甲状腺超声辅助扫描系统，甲状腺超声辅助扫描系统用于执行上述甲状腺超声辅助扫描方法，系统包括：

影像梯度分析模块获取甲状腺超声影像的像素灰度值、局部对比度及边缘锐度，计算像素梯度变化率，基于像素梯度变化率筛选甲状腺腺体边界区域，计算边界区域内像素点的梯度特征参数，筛选出梯度幅值变化率符合腺体组织特征的像素区域，得到甲状腺超声影像梯度特征参数；

腺体边界分割模块调用甲状腺超声影像梯度特征参数，计算差异化尺度下的梯度变化率及边缘强度，基于边缘强度筛选腺体组织边界区域，计算灰度均匀性并构建梯度差分权重矩阵，调整梯度变化剧烈但灰度均匀区域的边界，计算像素点在差异化尺度下的局部均值偏差，依据类别间均值差异设定分割阈值，得到甲状腺腺体分割边界数据；

病变特征提取模块调用甲状腺腺体分割边界数据，计算病变区域的像素灰度偏移量、梯度方向分布及形态参数，测量局部对比度变异系数，筛选低对比度病变区域，得到甲状腺病变区域形态与对比度特征；

病变分类匹配模块调用甲状腺病变区域形态与对比度特征，计算病变区域的形态变化率，依据类间方差设定分类权重，计算像素级与全局特征匹配拟合度，得到甲状腺病变分类匹配结果；

个性化诊断计算模块调用甲状腺病变分类匹配结果，提取甲状腺体积、激素水平及病变形态变化比值，计算病变特征与确诊数据库的拟合度，计算分类方法可信度，得到甲状腺个性化诊断动态权重参数。

以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.一种甲状腺超声辅助扫描方法，其特征在于，包括以下步骤：

S1：获取甲状腺超声影像的像素灰度值、局部对比度及边缘锐度，计算像素梯度变化率，依据梯度幅值变化率筛选甲状腺腺体边界区域，得到甲状腺超声影像梯度特征参数；

S2：基于所述甲状腺超声影像梯度特征参数，计算差异化尺度下的梯度变化率及边缘强度，依据边缘强度筛选腺体组织边界，计算灰度均匀性并构建梯度差分权重矩阵，调整梯度变化剧烈但灰度均匀区域的边界，计算像素点在差异化尺度下的局部均值偏差，依据类别间均值差异设定分割阈值，得到甲状腺腺体分割边界数据；

S3： 基于所述甲状腺腺体分割边界数据，计算病变区域的像素灰度偏移量、梯度方向分布及形态参数，测量局部对比度变异系数，筛选低对比度病变区域，得到甲状腺病变区域形态与对比度特征；

S4：基于所述甲状腺病变区域形态与对比度特征，计算病变区域的形态变化率，依据类间方差设定分类权重，计算像素级与全局特征匹配拟合度，得到甲状腺病变分类匹配结果；

S5：基于所述甲状腺病变分类匹配结果，提取甲状腺体积、激素水平及病变形态变化比值，计算病变特征与确诊数据库的拟合度，计算分类方法可信度，得到甲状腺个性化诊断动态权重参数；

所述甲状腺个性化诊断动态权重参数的获取步骤具体为：

S501：基于所述甲状腺病变分类匹配结果，提取甲状腺体积、激素水平及病变形态变化比值，计算病变区域的体积占比，统计病变区域的激素水平数据，计算病变形态在不同时间节点的变化比值，分析体积、激素水平及形态变化的关联性，计算特征数据的波动范围，依据波动趋势构建病变特征参数集，进行病变特征参数计算，获取病变特征比值数据；

S502：基于所述病变特征比值数据，计算病变特征与确诊数据库的拟合度，统计病变特征的均值与标准差，计算特征偏差并测量拟合度，进行病变特征匹配计算，获取病变特征拟合度；

S503：基于所述病变特征拟合度，计算分类方法可信度，分析病变分类误差范围，统计误差的分布情况，计算可信度区间并调整分类权重，获取甲状腺个性化诊断动态权重参数。

2.根据权利要求1所述的甲状腺超声辅助扫描方法，其特征在于，所述甲状腺超声影像梯度特征参数包括像素梯度变化率、梯度幅值变化率、腺体边界区域，所述甲状腺腺体分割边界数据包括差异化尺度梯度变化率、边缘强度、灰度均匀性、梯度差分权重矩阵、局部均值偏差、分割阈值，所述甲状腺病变区域形态与对比度特征包括像素灰度偏移量、梯度方向分布、形态参数、局部对比度变异系数、低对比度病变区域，所述甲状腺病变分类匹配结果包括病变区域形态变化率、分类权重、像素级与全局特征匹配拟合度，所述甲状腺个性化诊断动态权重参数包括甲状腺体积、激素水平、病变形态变化比值、病变特征与确诊数据库拟合度、分类方法可信度。

3.根据权利要求2所述的甲状腺超声辅助扫描方法，其特征在于，所述甲状腺超声影像梯度特征参数的获取步骤具体为：

S101：获取甲状腺超声影像的像素灰度值，遍历影像像素点，记录多像素点灰度值，依据像素点空间分布计算灰度直方图，统计差异化灰度值对应像素数量，计算灰度均值及方差，划分多个空间区间，计算多区间灰度均值，依据多区间灰度均值的变化情况计算整体灰度趋势，基于像素点灰度值及其分布特征，进行灰度特性计算，获取像素灰度分布参数；

S102：基于所述像素灰度分布参数，选取多个窗口区域，计算窗口内最大灰度值与最小灰度值的比值，统计所有窗口的对比度值，计算区域对比度的均值及标准差，依据对比度的空间分布情况计算差异化区域对比度波动趋势，针对多区域对比度的变化特性计算整体图像的对比度变化情况，进行局部对比度特性计算，得到局部对比度变化参数；

S103：基于所述局部对比度变化参数，计算像素梯度变化率，依据像素点在多个方向上的灰度梯度计算梯度幅值，依据梯度幅值变化情况筛选梯度幅值变化率超过设定阈值的像素点，标定甲状腺腺体边界区域，计算区域的平均梯度幅值、梯度方向分布情况及边缘锐度值，进行边界区域特性计算，获取甲状腺超声影像梯度特征参数。

4.根据权利要求3所述的甲状腺超声辅助扫描方法，其特征在于，所述甲状腺腺体分割边界数据的获取步骤具体为：

S201：基于所述甲状腺超声影像梯度特征参数，计算差异化尺度下的梯度变化率，确定差异化尺度下的像素梯度值，计算梯度变化率并分析梯度幅值在差异化尺度的变化情况，依据变化情况计算多区域的边缘强度，筛选边缘强度大于设定阈值的像素点，标定腺体组织边界区域，获取腺体组织边界像素分布；

S202：基于所述腺体组织边界像素分布，计算多区域的灰度均匀性，统计腺体组织区域的灰度均值及方差，构建梯度差分权重矩阵，依据梯度剧烈变化区域的灰度均匀性调整边界，筛选灰度均匀但梯度变化剧烈的边界区域，调整边界位置，获取梯度调整后腺体边界；

S203：基于所述梯度调整后腺体边界，计算像素点在差异化尺度下的局部均值偏差，计算多类别间的均值差异，依据均值差异设定分割阈值，筛选满足阈值条件的像素点，标定腺体分割边界，获取甲状腺腺体分割边界数据。

5.根据权利要求4所述的甲状腺超声辅助扫描方法，其特征在于，所述计算像素点在差异化尺度下的局部均值偏差，采用公式：

；

计算局部均值偏差，计算多类别间的均值差异，依据均值差异设定分割阈值，筛选满足阈值条件的像素点，标定腺体分割边界，获取甲状腺腺体分割边界数据；

其中，代表像素点在不同尺度下的局部均值偏差，代表像素点在尺度下的灰度值，代表尺度下的局部均值，代表所选取的尺度数量，代表尺度索引，代表第个选取的尺度。

6.根据权利要求5所述的甲状腺超声辅助扫描方法，其特征在于，所述甲状腺病变区域形态与对比度特征的获取步骤具体为：

S301：基于所述甲状腺腺体分割边界数据，计算病变区域的像素灰度偏移量，提取病变区域像素灰度值，计算各像素点相对于周围像素的灰度偏移量，统计不同方向上的灰度偏移趋势，分析梯度方向分布情况，计算梯度方向变化幅度，依据灰度偏移及梯度信息进行病变区域像素特征计算，获取病变区域灰度偏移与梯度方向数据；

S302：基于所述病变区域灰度偏移与梯度方向数据，计算病变区域形态参数，统计病变区域面积、周长及形态比值，计算区域内部灰度值分布特征，依据形态参数及灰度分布特性计算局部对比度变异系数，分析病变区域的对比度变化情况，进行形态及对比度特征计算，获取病变区域形态参数与对比度变异系数；

S303：基于所述病变区域形态参数与对比度变异系数，筛选低对比度病变区域，依据病变区域的对比度变异系数设定筛选阈值，筛选符合阈值范围的病变区域，计算低对比度病变区域的面积占比及空间分布情况，进行病变区域筛选计算，获取甲状腺病变区域形态与对比度特征。

7.根据权利要求6所述的甲状腺超声辅助扫描方法，其特征在于，所述甲状腺病变分类匹配结果的获取步骤具体为：

S401：基于所述甲状腺病变区域形态与对比度特征，提取病变区域的轮廓信息，计算轮廓在差异化方向的梯度变化，统计病变区域边界的梯度波动情况，依据波动幅度计算形态变化率，分析形态变化趋势，进行病变形态特征计算，获取病变区域形态变化率；

S402：基于所述病变区域形态变化率，依据类间方差设定分类权重，计算病变区域与周围组织的灰度方差，分析差异化类别病变区域的灰度均值，计算方差信息，依据方差比调整分类权重，结合形态变化特征计算病变类别的分类参数，进行分类权重计算，获取病变区域分类权重参数；

S403：基于所述病变区域分类权重参数，计算像素级与全局特征匹配拟合度，分析病变区域像素特征与全局统计特征的匹配情况，计算像素级特征的误差分布，依据误差情况调整病变类别归属，筛选符合匹配条件的病变类别，进行匹配计算，获取甲状腺病变分类匹配结果。

8.根据权利要求7所述的甲状腺超声辅助扫描方法，其特征在于，所述计算像素级特征的误差分布，采用公式：

；

计算误差分布值，依据误差情况调整病变类别归属，筛选符合匹配条件的病变类别，进行匹配计算，获取甲状腺病变分类匹配结果；

其中，代表像素级特征的误差分布值，代表病变区域内的像素总数，代表第个像素的灰度值，代表病变区域内所有像素灰度值的均值，代表病变区域内所有像素灰度值的标准差，代表全局统计特征的总数，代表第个全局特征的权重参数，代表第个像素在第个特征维度上的特征值，代表第个全局特征的均值。

9.一种甲状腺超声辅助扫描系统，其特征在于，根据权利要求1-8任一项所述的甲状腺超声辅助扫描方法，所述系统包括：

影像梯度分析模块获取甲状腺超声影像的像素灰度值、局部对比度及边缘锐度，计算像素梯度变化率，基于像素梯度变化率筛选甲状腺腺体边界区域，计算边界区域内像素点的梯度特征参数，筛选出梯度幅值变化率符合腺体组织特征的像素区域，得到甲状腺超声影像梯度特征参数；

腺体边界分割模块调用所述甲状腺超声影像梯度特征参数，计算差异化尺度下的梯度变化率及边缘强度，基于边缘强度筛选腺体组织边界区域，计算灰度均匀性并构建梯度差分权重矩阵，调整梯度变化剧烈但灰度均匀区域的边界，计算像素点在差异化尺度下的局部均值偏差，依据类别间均值差异设定分割阈值，得到甲状腺腺体分割边界数据；

病变特征提取模块调用所述甲状腺腺体分割边界数据，计算病变区域的像素灰度偏移量、梯度方向分布及形态参数，测量局部对比度变异系数，筛选低对比度病变区域，得到甲状腺病变区域形态与对比度特征；

病变分类匹配模块调用所述甲状腺病变区域形态与对比度特征，计算病变区域的形态变化率，依据类间方差设定分类权重，计算像素级与全局特征匹配拟合度，得到甲状腺病变分类匹配结果；

个性化诊断计算模块调用所述甲状腺病变分类匹配结果，提取甲状腺体积、激素水平及病变形态变化比值，计算病变特征与确诊数据库的拟合度，计算分类方法可信度，得到甲状腺个性化诊断动态权重参数。