| 摘要: |
| 目的利用卷积神经网络自动识别正常及异常甲状腺超声图。方法使用我院超声医学科2018年1月至2018年10月甲状腺超声图像资料,分为正常甲状腺、甲状腺局限性病变、甲状腺弥漫性病变、甲状腺弥漫合并局限性病变四类进行标注,以Mask R-CNN算法进行训练,在训练过程中加入基于级联网络改进。统计和汇总采用python完成,目标检测及分割采用平均精度及标准交并比评价,分类采用敏感度、特异性、准确度及一致性评价。结果共使用甲状腺图像47206幅,Mask R-CNN及基于级联网络结构的Mask R-CNN算法的平均精确度为79.21%、84.51%,标准交并比为87.78%、89.26%。在基于级联的Mask R-CNN算法中甲状腺超声图像分类效能较高,敏感度、特异度、准确度、一致性检验在正常甲状腺分别为83.98%、93.93%、91.84%、0.76,局限性病变中为85.09%、94.12%、90、36%、0.79,弥漫性病变中为86.00%、97.11%、94.29%、0.84,弥漫合并局限性病变中为82.99%、94.55%、93.16%、0.70。结论基于级联的Mask R-CNN算法对甲状腺超声图像的目标检测及分割能力较高,对于自动识别二维灰阶正常甲状腺、甲状腺局限性疾病、甲状腺弥漫性病变、甲状腺弥漫合并局限性疾病有较好的效果。 |
| 关键词: 甲状腺疾病 超声图像 深度学习 Mask R-CNN |
| DOI： |
| 分类号: |
| 基金项目: |
|
|
|
|
|
|
| Abstract: |
|
| Key words: |
