基于迁移学习的超声图像甲状腺结节定位方法

发布时间：2021-08-19 00:56

　　本研究提出一种基于迁移学习的甲状腺结节定位方法,利用深度卷积神经网络提取结节超声图像的特征,进而采用包围盒回归的方式定位甲状腺结节。分别分析了基于Xception、VGG-19和Resnet50三种预训练模型的结节定位方法。结果表明,基于Resnet50模型的神经网络结构在小样本量条件下,具有较高的定位准确率,有一定的临床应用价值。 

【文章来源】：生物医学工程研究. 2020,39(04)

【文章页数】：6 页

【部分图文】：

预先标记包围盒信息的超声图像和增广图像

图4 VGG19-NLM训练过程图由图可知,三个模型的训练和验证MSE损失经过 2 次迭代后,接近收敛到一个较低水平。三个模型的IOU在迭代15次之后都趋于收敛到约80%的稳定性能,且Resnet50-NLM方法的IOU性能收敛较快。而验证集的IOU性能略优于训练集,为过度拟合的表现,是使用drop层的结果。采用训练好的模型对测试集进行测试,结果见图6,可以看出Resnet50-NLM方法的MSE损失和IOU性能是最优的。

由图可知,三个模型的训练和验证MSE损失经过 2 次迭代后,接近收敛到一个较低水平。三个模型的IOU在迭代15次之后都趋于收敛到约80%的稳定性能,且Resnet50-NLM方法的IOU性能收敛较快。而验证集的IOU性能略优于训练集,为过度拟合的表现,是使用drop层的结果。采用训练好的模型对测试集进行测试,结果见图6,可以看出Resnet50-NLM方法的MSE损失和IOU性能是最优的。表2 模型训练耗时(计算一次迭代)Table 2 Model training time (one iteration) 模型 Xception-NLM Resnet50-NLM VGG19-NLM 时间(t/s) 210 54 64


本文编号：3350957