目的:研究深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)（CNNs）在甲狀腺結(jié)節(jié)超聲圖像良惡性分類問題中的可行性并評估效果。方法:運(yùn)用遷移學(xué)習(xí)的方式,對在自然圖像訓(xùn)練集上獲取預(yù)訓(xùn)練參數(shù)的3種卷積神經(jīng)網(wǎng)絡(luò)模型（VGG19模型、Inception V3模型和DenseNet 161模型）進(jìn)行訓(xùn)練,并對其進(jìn)行調(diào)整,使用甲狀腺結(jié)節(jié)超聲圖像對3種卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試。結(jié)果:VGG19模型分類效果較差,正確率為88.18%,低于Inception V3和DenseNet 161模型的正確率（92.85%和92.91%）。Inception V3和DenseNet 161模型在準(zhǔn)確度、參數(shù)數(shù)量及訓(xùn)練效率上均有明顯優(yōu)勢,其中DenseNet 161模型收斂速度更快,泛化性能更佳,但運(yùn)算中占用了更多顯存。結(jié)論:深度學(xué)習(xí)CNNs可輔助診斷甲狀腺結(jié)節(jié)在超聲圖像上的良惡性,且效果良好,而DenseNet 161模型在甲狀腺結(jié)節(jié)超聲圖像良惡性分類任務(wù)中表現(xiàn)出更佳的性能。 

【文章頁數(shù)】：5 頁

【文章目錄】：
1 材料與方法
    1.1 儀器設(shè)備
    1.2 圖像采集
    1.3 軟硬件工具
        1.3.1 軟件工具
        1.3.2 硬件工具
2 深度學(xué)習(xí)網(wǎng)絡(luò)模型實(shí)現(xiàn)
    2.1 圖像預(yù)處理
        2.1.1 數(shù)字圖像處理
        2.1.2 數(shù)據(jù)增強(qiáng)
    2.2 遷移學(xué)習(xí)
    2.3 模型訓(xùn)練
        2.3.1 VGG 19模型
        2.3.2 Inception V3模型
        2.3.3 DenseNet 161模型
3 結(jié)果
4 討論
5 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]人工智能在超聲影像甲狀腺結(jié)節(jié)良惡性預(yù)測研究[J]. 王洪杰,于霞,田進(jìn)軍,王振宇.  中國醫(yī)學(xué)裝備. 2019(12)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的腎臟占位CT圖像的良惡性分類研究[J]. 周蕾蕾,張作恒,陳宇辰,付晶晶,殷信道,蔣紅兵.  國際生物醫(yī)學(xué)工程雜志. 2018 (05)
[3]乳腺腫瘤超聲圖像中感興趣區(qū)域的自動(dòng)檢測[J]. 蘇燕妮,汪源源.  中國生物醫(yī)學(xué)工程學(xué)報(bào). 2010(02)
[4]甲狀腺結(jié)節(jié)和分化型甲狀腺癌診治指南[J].   中華核醫(yī)學(xué)與分子影像雜志. 2013 (02)



本文編號：3671782