基于ResNet模型的甲状腺SPECT影像诊断
为了降低医生利用SPECT影像对甲状腺疾病进行临床诊断时的误诊率,提高深度学习算法在核医学影像辅助诊断中识别交叉影像特征的准确率,提出了基于ResNet模型的甲状腺SPECT影像诊断方法.利用深度卷积生成对抗网络(DCGAN)和高分辨率生成对抗网络(SRGAN)生成影像并提高分辨率,弥补训练数据的不足.同时,将残差块输出信息加上具有交叉特征影像信息的xi,在保留已学习影像特征的基础上增加对交叉特征的学习,改进了模型.对于交叉影像特征,使用交叉训练集对经过单一特征影像训练完成的改进ResNet神经网络模型进行再训练.实验结果表明,经过100轮迭代,交叉训练集训练的改进ResNet神经网络模型验证精度高达0.9633,验证损失降到0.1187,并趋于稳定;识别结果,召回率、精确率、特异度和F1分数都在93.8%以上.经过改进的神经网络模型和新的训练方法对甲状腺SPECT影像表现出的典型症状识别率较高,优于其他基于卷积神经网络(CNN)的方法,对临床影像诊断具有参考价值.
计算机神经网络、图像识别、SPECT、交叉训练集、医学影像、核医学
41
TP393;R318.6(计算技术、计算机技术)
国家自然科学基金71961030
2020-07-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
242-248