發(fā)布時間：2020-10-27 18:19

　　 目的:采集來自重慶醫(yī)科大學附屬大學城醫(yī)院RIS系統(tǒng)及重慶醫(yī)科大學附屬第一醫(yī)院PACS系統(tǒng)職稱在副主任醫(yī)師以上自2017年10月到2020年1月期間所存的已經給出ACR TI-RADS分類的甲狀腺超聲圖像,運用深度學習領域的卷積神經網絡設計一基于甲狀腺超聲圖像的ACR TI-RADS的診斷模型,為臨床超聲醫(yī)生提供輔助診斷參考,也能用于實習醫(yī)生及低年資超聲醫(yī)生的教學輔助。方法:收集職稱在副主任醫(yī)師以上自2017年10月到2020年1月期間所存的已經給出ACR TI-RADS分類的甲狀腺超聲圖像2000病例共150000張甲狀腺超聲圖像,并經過圖像預處理、數(shù)據增強等數(shù)據集處理方法得到一可以用于卷積神經網絡模型學習的數(shù)據集,運用遷移學習策略,Cosine Learning Rate Decay(余弦學習率衰減)、模型融合等方法設計并訓練出一個具有較強分類性能的分類模型,評價模型的分類效果利用測試集數(shù)據進行測試,同時引入初級醫(yī)生、中級醫(yī)生兩組醫(yī)生對測試集進行讀圖,并對三組的讀圖準率率及效率進行分析。結果:經過圖像的篩選,最終本實驗一共采集了來自于2000個病例的甲狀腺超聲圖像共4300張,ACR TI-RADS分級1類300張,2類500張,3類500張,4類500張,5類300張,其中采集的5類病例全部經病理結果證實為惡性病例。經過數(shù)據平衡處理及數(shù)據增強后最終得到數(shù)據量是36000張,運用數(shù)據集對已經使用遷移學習方法預訓練過的VGG、Inception、ResNet、DenseNet121、Xception這5種卷積神經網絡模型進行訓練,篩選出分類效果最好的模型DenseNet121,再運用Cosine Learning Rate Decay及模型融合方法使模型的最高分類準確率達95.83%,最低準確率83.95%,平均準率87.87%,引入初級醫(yī)生讀圖組、中級醫(yī)生讀圖組讀圖后統(tǒng)計分析出模型的整體準確率明顯高于初級醫(yī)生讀圖組,與中級醫(yī)生讀圖組持平。結論:本課題以人工智能(AI)技術在醫(yī)學圖像識別中的應用為研究背景,基于甲狀腺超聲圖像,采用深度學習方法,設計并訓練出的智能診斷模型對甲狀腺結節(jié)的分類效果較好,且效率高,穩(wěn)定性好。但是本課題研究也存在不足之處,采集的數(shù)據集規(guī)模不大,范圍不廣,因此在反映模型的分類性能上存在局限性。在以后的研究中可以聯(lián)合更多醫(yī)院的超聲科,將數(shù)據集的規(guī)模及增加,這樣模型的臨床實用性更強,能更好的為臨床超聲醫(yī)生作輔助診斷參考。
【學位單位】：重慶醫(yī)科大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：R581;R445.1
【部分圖文】：

重慶醫(yī)科大學碩士研究生學位論文142.2儀器與設備圖像采集設備主要包含荷蘭飛利浦公司生產的HD15超聲診斷儀，日本東芝公司生產的APLIO500超聲診斷儀。選擇每款機器配套的淺表器官診斷高頻探頭。執(zhí)行條件：本課題的實驗采用Tensorflow（谷歌張量流圖）進行CNN設計與測試，整個實驗運行硬件環(huán)境為4核3.3GhzCPU，32G內存，GPU為GTX1080Ti。訓練整個模型耗時1h。測試階段速度較快，加載完訓練好的網絡，1秒可以預測10張圖片。2.3研究方法2.3.1研究的總體技術路線，如圖（2）圖2技術路線示意圖（Schematicdiagramoftechnicalroute）2.3.2圖像數(shù)據預處理

重慶醫(yī)科大學碩士研究生學位論文18第3章實驗結果3.1模型訓練3.1.1超聲圖像數(shù)據采集按照納入標準采集原始數(shù)據，本實驗一共采集了來自于2000個病例的甲狀腺超聲圖像共4300張，其中正常超聲圖像2200，ACRTI-RADS分級1類300張，2類500張，3類500張，4類500張，5類300張，其中采集的5類病例全部經病理結果證實為惡性病例，如圖（3），我們將從PACS及RIS系統(tǒng)收集整理的甲狀腺超聲圖像經過納入及排除標準后整理成我們實驗所需的甲狀腺超聲圖像的原始數(shù)據。最終的到的原始數(shù)據按照最少類別300張作為標準，分別存儲在文件夾里。圖3原始圖像收集示意圖（Originalimagecollectiondiagram）3.1.2超聲圖像的預處理對篩選后的圖片分別采用了兩種方法進行處理，一種是將每張圖像根據“2017ACRTI-RADS分級”標準按照成分、回聲、形態(tài)、邊緣、強回聲進行打分，如圖（4），其中1440張作為訓練集圖像，360張作為測試集圖像，另一種是對圖像中的結節(jié)進行標注，采用“l(fā)abellmg”圖像標注軟件對圖像進行標注，將標注后的圖像1440張作為測試集，360張作為訓練集，如下圖（5）、圖（6）。

重慶醫(yī)科大學碩士研究生學位論文19圖4圖像處理及分類總示意圖（Generalschematicdiagramofimageprocessingandclassification）圖5甲狀腺影像報告與數(shù)據系統(tǒng)評分（ACRTI-RADSCategoryscore）圖6軟件標注法（Softwareannotationmethod）
【相似文獻】

相關期刊論文 前10條

1 張正順;高翠霞;方耀武;;TI-RADS分級在診斷甲狀腺結節(jié)良惡性方面的應用研究[J];中國超聲醫(yī)學雜志;2013年08期

2 張賀香;胡萍香;胡業(yè)深;肖小鵬;吳家豪;;TI-RADS分級對不同性別甲狀腺結節(jié)患者的診斷價值[J];實用臨床醫(yī)學;2017年06期

3 B.W.Tobriner;M.Buda;J.K.Hoang;W.D.Middleton;D.Thayer;R.G.Short;王姍;;運用AI修訂甲狀腺結節(jié)的ACR TI-RADS危險分級：診斷準確性和實用性[J];國際醫(yī)學放射學雜志;2019年05期

4 陳自勉;沈紅;李祁;邵軍;;TI-RADS分級在甲狀腺微小癌診斷中的意義分析[J];當代臨床醫(yī)刊;2016年05期

5 張曉文;溫德惠;董明綱;羅興才;;TI-RADS在超聲甲狀腺結節(jié)定性診斷中應用研究進展[J];河北北方學院學報(自然科學版);2016年06期

6 楊麗萍;胡斌;;海島老年人甲狀腺癌TI-RADS系統(tǒng)篩查結果分析[J];社區(qū)醫(yī)學雜志;2020年06期

7 張曉文;李林澤;;TI-RADS對甲狀腺結節(jié)的鑒別診斷價值[J];山東醫(yī)藥;2017年04期

8 鐘敏瑩;石小紅;楊麗麗;劉柃希;陳鈴;孫鵬濤;曹榮華;;TI-RADS分類系統(tǒng)對不同直徑甲狀腺結節(jié)的診斷價值[J];中國超聲醫(yī)學雜志;2016年04期

9 張?zhí)?張晟;忻曉潔;王曉慶;楊凡;;TI-RADS分級對不同年齡甲狀腺結節(jié)患者的診斷價值[J];天津醫(yī)藥;2014年11期

10 陳曉康;陳少華;呂國榮;;超聲TI-RADS分類對甲狀腺結節(jié)的診斷價值[J];中國超聲醫(yī)學雜志;2012年12期

相關博士學位論文 前10條

1 張杰;甲狀腺結節(jié)超聲簡化型TI-RADS分類及穿刺液PTN檢測的臨床研究[D];天津醫(yī)科大學;2017年

2 吳集;多智能體仿真支撐技術、組織與AI算法研究[D];國防科學技術大學;2006年

3 楊勝利;冠心病患者C-反應蛋白、載脂蛋白AI基因、載脂蛋白E基因和糖蛋白Ⅲa基因多態(tài)性研究[D];新疆醫(yī)科大學;2001年

4 沐建龍;陳舊性心肌梗塞病人載脂蛋白AI基因多態(tài)性[D];中國協(xié)和醫(yī)科大學;1990年

5 呂新躍;北京鴨載脂蛋白AI、樹鼩載脂蛋白AI、CI三個cDNA的克隆、測序及組織分布[D];中國協(xié)和醫(yī)科大學;1997年

6 鄭雁軍;TiNi形狀記憶合金絲/AI基復合材料中TiNi合金約束態(tài)相變的研究[D];大連理工大學;2000年

7 于淼;人載脂蛋白AI抑制ox-LDL誘導轉基因小鼠血管平滑肌細胞增生及脂質沉積分子病理學機制的研究[D];中國協(xié)和醫(yī)科大學;2003年

8 李匯華;人載脂蛋白AI轉基因小鼠抗實驗性動脈粥樣硬化的分子病理學研究[D];中國協(xié)和醫(yī)科大學;1998年

9 李藝;甲狀腺結節(jié)超聲彈性成像與組織病理學相關性及其影響因素研究[D];上海交通大學;2016年

10 吳文俊;影像定位-細胞病理-分子靶標的三維體系對甲狀腺癌的診斷價值[D];蘇州大學;2018年

相關碩士學位論文 前10條

1 邱敏;基于人工智能（AI）技術聯(lián)合甲狀腺影像報告與數(shù)據系統(tǒng)（TI-RADS）分級對甲狀腺結節(jié)智能診斷方法研究[D];重慶醫(yī)科大學;2020年

2 周潯丹;超聲彈性成像與TI-RADS標準對甲狀腺結節(jié)定性診斷的應用價值[D];鄭州大學;2012年

3 劉金沙;低、高年資醫(yī)師結合AI對肺結節(jié)檢測效能的比較研究[D];遵義醫(yī)科大學;2020年

4 胡佩云;“2018年百度AI開發(fā)者大會—智能金融論壇（節(jié)選）”模擬漢英同聲傳譯實踐報告[D];中南財經政法大學;2019年

5 王雪永;基于AI的寫字樓能耗分析及控制系統(tǒng)[D];杭州電子科技大學;2019年

6 巫翠雙;互動中的話題調控與話語語音成分“Ai”的功能研究[D];安徽師范大學;2019年

7 邱帥兵;面向AI應用的網絡加速架構設計[D];西安電子科技大學;2019年

8 張莉莉;漢英交傳中AI口譯與人工口譯銜接方式對比分析[D];大連理工大學;2019年

9 李昌偉;基于AI+視頻監(jiān)控的智慧城市中心系統(tǒng)設計與實現(xiàn)[D];浙江工業(yè)大學;2019年

10 史夢璐;當事人對“AI”心理咨詢的知覺和體驗研究[D];華中師范大學;2018年

本文編號：2858877