本研究提出一種基于遷移學(xué)習(xí)的甲狀腺結(jié)節(jié)定位方法,利用深度卷積神經(jīng)網(wǎng)絡(luò)提取結(jié)節(jié)超聲圖像的特征,進(jìn)而采用包圍盒回歸的方式定位甲狀腺結(jié)節(jié)。分別分析了基于Xception、VGG-19和Resnet50三種預(yù)訓(xùn)練模型的結(jié)節(jié)定位方法。結(jié)果表明,基于Resnet50模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在小樣本量條件下,具有較高的定位準(zhǔn)確率,有一定的臨床應(yīng)用價(jià)值。 

【文章來(lái)源】：生物醫(yī)學(xué)工程研究. 2020,39(04)

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

預(yù)先標(biāo)記包圍盒信息的超聲圖像和增廣圖像

圖4 VGG19-NLM訓(xùn)練過(guò)程圖由圖可知,三個(gè)模型的訓(xùn)練和驗(yàn)證MSE損失經(jīng)過(guò) 2 次迭代后,接近收斂到一個(gè)較低水平。三個(gè)模型的IOU在迭代15次之后都趨于收斂到約80%的穩(wěn)定性能,且Resnet50-NLM方法的IOU性能收斂較快。而驗(yàn)證集的IOU性能略?xún)?yōu)于訓(xùn)練集,為過(guò)度擬合的表現(xiàn),是使用drop層的結(jié)果。采用訓(xùn)練好的模型對(duì)測(cè)試集進(jìn)行測(cè)試,結(jié)果見(jiàn)圖6,可以看出Resnet50-NLM方法的MSE損失和IOU性能是最優(yōu)的。

由圖可知,三個(gè)模型的訓(xùn)練和驗(yàn)證MSE損失經(jīng)過(guò) 2 次迭代后,接近收斂到一個(gè)較低水平。三個(gè)模型的IOU在迭代15次之后都趨于收斂到約80%的穩(wěn)定性能,且Resnet50-NLM方法的IOU性能收斂較快。而驗(yàn)證集的IOU性能略?xún)?yōu)于訓(xùn)練集,為過(guò)度擬合的表現(xiàn),是使用drop層的結(jié)果。采用訓(xùn)練好的模型對(duì)測(cè)試集進(jìn)行測(cè)試,結(jié)果見(jiàn)圖6,可以看出Resnet50-NLM方法的MSE損失和IOU性能是最優(yōu)的。表2 模型訓(xùn)練耗時(shí)(計(jì)算一次迭代)Table 2 Model training time (one iteration) 模型 Xception-NLM Resnet50-NLM VGG19-NLM 時(shí)間(t/s) 210 54 64


本文編號(hào)：3350957