改进的NASNet算法在乳腺超声诊断中的应用研究

摘要：

超声图像在乳腺疾病的临床诊断中具有重要意义,但是乳腺超声图像分辨率低、样本量小,同时对于NASNet算法虽然适用于小样本数据但参数量大难以训练的问题.本研究提出一种改进的NASNet分类算法来检测乳腺肿块的良恶性.首先采用迁移学习技术将NASNet在ImageNet上预训练,将学习到的特征直接用于乳腺超声图像上肿块的良恶性识别,节省计算成本的同时提高精度;然后,为增强网络对超声图像特征的提取能力并使网络轻量化,在NASNet深层融入深度可分离卷积,构造出更深更宽的网络;最后,为了增强与疾病更加相关的特征权重,进一步增强高阶特征信息的提取能力,加入SE模块来筛选超声图像中占比较重的通道特征.为验证该算法,基于本地医院数据集以及公共数据集实验,其中本地医院数据共计1 350张超声图像,两个公共数据集共计895张超声图像.采用五折交叉验证的训练方法,并将该算法与目前广泛应用的分类算法进行比较.基于本地医院数据实验的Acc、Sen、F1均为97.52％;公共数据集作为训练集和验证集,本地医院数据集作为测试集的实验的Acc、Sen、F1分别为96.31％、96.31％、96.39％;基于本地医院数据和公共数据的混合数据实验的Acc、Sen、F1均为98.27％.所提算法较其他算法具有优越性,证实了该算法更适用于小样本乳腺超声图像的肿块良恶性分类.

关键词：乳腺肿块、NASNet、深度可分离卷积、SENet、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：国家自然科学基金;云南省教育厅项目

在线出版日期：2023-03-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：672-679