基于深度学习的肝包虫病超声图像分型研究

• 作者: 倪东 南嘉格列 周旭 李锐 王毅 王海霞
• 来源期刊: 深圳大学学报（理工版）
• 学科: 医学
• 关键词: 生物医学工程 肝包虫病 卷积神经网络 超声图像 病灶分型 视觉注意力模型 度量学习 迁移学习 双分支分类网络
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 电子与信息科学
• 页码范围: 702-708
• 页数: 7页
• 分类号: R318|TP751
• 字数: 4871字
• 语种: 中文
• DOI: 10.3724/SP.J.1249.2019.06702

摘要

肝包虫病是一种严重的地域性寄生虫病,其病灶分型主要依靠临床医生对超声图像的主观判断,疾病筛查十分耗时,且容易造成误判.提出一种基于超声图像的肝包虫病病灶智能分型方法,首先从肝脏包虫病超声图像中直接裁剪得到病灶区域图像,利用深度卷积神经网络(convolutional neural network,CNN)提取图像多尺度特征,然后结合视觉注意力模型,通过分类网络的主分支和辅助分支分别学习图像的整体和局部细节特征,最后使用度量学习来表征同类别之间样本的相似特征,实现对9种类型的包虫病病灶进行全自动分类.构建了一个18层CNN网络,通过7000张图像完成训练,在2000张图像上测试得到的平均准确率为82％,平均F1分数为82％.实验结果表明,该方法能有效用于肝包虫病超声图像分型.