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

• 作者: 吴倩倩 周蕾蕾 田书畅 蒋红兵 赵紫婷 邹奕轩 韩煜东
• 来源期刊: 中国医学装备
• 学科: 医学
• 关键词: 超声 甲状腺 分类 深度学习 卷积神经网络(CNNs)
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 生物医学工程研究
• 页码范围: 9-13
• 页数: 5页
• 分类号: R445.1
• 字数: 4326字
• 语种: 中文
• DOI: 10.3969/J.ISSN.1672-8270.2020.03.003

摘要

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:VGG 19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.