CNNs集成学习的超声甲状腺结节诊断
甲状腺结节是临床上常见的疾病,发病率逐年增高.诊断和治疗甲状腺结节的首要问题是要识别其良恶性.超声已成为甲状腺疾病诊断的首选方法,但分析需要专家知识,且比较费时.近年来,多个基于深度学习的甲状腺分类系统被提出并用于计算机辅助诊断,但是训练过程一般都需要大量的超声图像数据.本研究中数据集共674个甲状腺结节,包含恶性结节240个,良性结节434个.为了在较小数据集上也可获得满意的性能,我们采用预训练的经典AlexNet、VGG16与ResNet50,基于迁移学习来调整参数,采用多模型、多切片集成学习方法.结节分类的准确率、精度和召回率分别为86.7%、79.2%和84.7%.实验结果表明,该算法在数据量较小的情况下也可以取得较好性能.
超声、甲状腺、计算机辅助诊断、深度学习、卷积神经网络
19
R445.2(诊断学)
北京市教委科技计划一般项目;北京市自然科学基金
2022-05-06(万方平台首次上网日期,不代表论文的发表时间)
共6页
52-57