基于Faster R-CNN及增强CT图像自动检测肝血管瘤

摘要：

目的 基于快速区域卷积神经网络(Faster R-CNN)构建肝血管瘤自动检测系统,观察其检出增强CT图像中的肝血管瘤的效能.方法 收集经腹部增强CT诊断的128例肝血管瘤患者、共 2 304幅增强CT图像,按 8∶2 比例将其分为训练集(n= 102)和测试集(n= 26),分别含 1 836 幅及 468 幅增强CT图像.利用Faster R-CNN、针对增强CT图像构建自动检测肝血管瘤系统,基于迁移学习方案,采用Resnet50预训练分类网络作为提取特征模块的基础骨架,以区域提议网络提取训练集增强CT图像特征,以边界框分类回归模块输出预测边框的精确位置坐标和类别的概率分数.训练过程中绘制Loss曲线,评估模型对训练集的训练效果及其稳定性;采用随机梯度下降法作为优化器对参数进行调整,以提升模型性能.通过平均精度均值(mAP)评估系统检出测试集增强CT图像中的肝血管瘤的效能.结果 训练集训练过程损失函数Loss曲线中,自动检测系统呈快速下降趋势,提示模型学习能力良好,预测性能稳定.mAP曲线显示,迭代次数epoch为40～80时,系统对测试集 468幅增强CT图像检出肝血管瘤的mAP为 0.962～0.973,波动小,提示模型已收敛,自动检测效果良好.结论 基于Faster R-CNN的增强CT图像自动检测系统可有效检出肝血管瘤.

关键词：肝、血管瘤、体层摄影术、X线计算机、诊断、计算机辅助、深度学习

所属期刊栏目：20

分类号：R735.7;R814.42(肿瘤学)

资助基金：天津市医学重点学科专科建设项目TJYXZDXK-074C

在线出版日期：2023-06-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：304-307