卷积神经网络识别正常及异常甲状腺超声图像的价值

• 作者: 张静漪 罗燕 刘加林 陈杨
• 来源期刊: 四川医学
• 关键词: 甲状腺疾病 超声图像 深度学习 Mask R-CNN
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 超声医学
• 页码范围: 305-309
• 页数: 5页
• 分类号: R445.1
• 语种: 中文
• DOI: 10.16252/j.cnki.issn1004-0501-2021.03.021

摘要

目的 利用卷积神经网络自动识别正常及异常甲状腺超声图.方法 使用我院超声医学科2018年1月至2018年10月甲状腺超声图像资料,分为正常甲状腺、甲状腺局限性病变、甲状腺弥漫性病变、甲状腺弥漫合并局限性病变四类进行标注,以Mask R-CNN算法进行训练,在训练过程中加入基于级联网络改进.统计和汇总采用python完成,目标检测及分割采用平均精度及标准交并比评价,分类采用敏感度、特异性、准确度及一致性评价.结果 共使用甲状腺图像47206幅,Mask R-CNN及基于级联网络结构的Mask R-CNN算法的平均精确度为79.21％、84.51％,标准交并比为87.78％、89.26％.在基于级联的Mask R-CNN算法中甲状腺超声图像分类效能较高,敏感度、特异度、准确度、一致性检验在正常甲状腺分别为83.98％、93.93％、91.84％、0.76,局限性病变中为85.09％、94.12％、90、36％、0.79,弥漫性病变中为86.00％、97.11％、94.29％、0.84,弥漫合并局限性病变中为82.99％、94.55％、93.16％、0.70.结论 基于级联的Mask R-CNN算法对甲状腺超声图像的目标检测及分割能力较高,对于自动识别二维灰阶正常甲状腺、甲状腺局限性疾病、甲状腺弥漫性病变、甲状腺弥漫合并局限性疾病有较好的效果.