基于Cascade Rcnn的超声甲状腺结节检测研究

摘要：

甲状腺超声图像由于对比度低、边缘不清晰、高噪声和周围组织复杂难辨等问题,给医生诊断甲状腺疾病造成困难.针对此问题,采用Cascade Rcnn目标检测算法,分别以ResNet50、Resnet101以及融合压缩激励注意力模块SE-ResNet50、SE-ReNet101为主干网络,对从某三甲医院获取的1 513例(其中良性结节832例,恶性结节681例)甲状腺超声图像,在专业超声科医生的指导下进行预处理,制作本次实验使用的标准coco格式数据集.采用迁移学习的方式将从Imagenet大型数据库上预训练得到的权重迁移到本次实验模型结构中,经过4个主干网络的实验结果对比,以SE-ResNet101为主干网络的Cascade Rcnni算法,在结节定位和判别方面,实现了精确率92.4％,召回率86.2％,特异性95.1％,F1值89.2％,mAP值82.4％的检测效果,对辅助医生进行甲状腺超声图像的诊断具有一定的临床指导意义.

关键词：甲状腺超声图像、Cascade Rcnn、目标检测、迁移学习

所属期刊栏目：41

分类号：R318(医用一般科学)

资助基金：上海市科委医学引导项目;微创励志创业基金

在线出版日期：2022-04-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：64-72