基于卷积神经网络的甲状腺结节超声图像良恶性分类研究

发布时间：2022-08-08 15:43

　　目的:研究深度学习卷积神经网络（CNNs）在甲状腺结节超声图像良恶性分类问题中的可行性并评估效果。方法:运用迁移学习的方式,对在自然图像训练集上获取预训练参数的3种卷积神经网络模型（VGG19模型、Inception V3模型和DenseNet 161模型）进行训练,并对其进行调整,使用甲状腺结节超声图像对3种卷积神经网络模型进行测试。结果:VGG19模型分类效果较差,正确率为88.18%,低于Inception V3和DenseNet 161模型的正确率（92.85%和92.91%）。Inception V3和DenseNet 161模型在准确度、参数数量及训练效率上均有明显优势,其中DenseNet 161模型收敛速度更快,泛化性能更佳,但运算中占用了更多显存。结论:深度学习CNNs可辅助诊断甲状腺结节在超声图像上的良恶性,且效果良好,而DenseNet 161模型在甲状腺结节超声图像良恶性分类任务中表现出更佳的性能。 

【文章页数】：5 页

【文章目录】：
1 材料与方法
    1.1 仪器设备
    1.2 图像采集
    1.3 软硬件工具
        1.3.1 软件工具
        1.3.2 硬件工具
2 深度学习网络模型实现
    2.1 图像预处理
        2.1.1 数字图像处理
        2.1.2 数据增强
    2.2 迁移学习
    2.3 模型训练
        2.3.1 VGG 19模型
        2.3.2 Inception V3模型
        2.3.3 DenseNet 161模型
3 结果
4 讨论
5 结论


【参考文献】：
期刊论文
[1]人工智能在超声影像甲状腺结节良恶性预测研究[J]. 王洪杰,于霞,田进军,王振宇.  中国医学装备. 2019(12)
[2]基于卷积神经网络的肾脏占位CT图像的良恶性分类研究[J]. 周蕾蕾,张作恒,陈宇辰,付晶晶,殷信道,蒋红兵.  国际生物医学工程杂志. 2018 (05)
[3]乳腺肿瘤超声图像中感兴趣区域的自动检测[J]. 苏燕妮,汪源源.  中国生物医学工程学报. 2010(02)
[4]甲状腺结节和分化型甲状腺癌诊治指南[J].   中华核医学与分子影像杂志. 2013 (02)



本文编号：3671782