基于优化卷积网络Faster R-CNN自动检测甲状腺结节超声图像的研究

摘要：

目的 通过改进卷积网络Faster R-CNN建立人工智能模型,自动检测甲状腺超声图像中的结节位置,为超声医师提供准确可靠的诊断参考.方法 收集甲状腺结节超声图像9 071幅,共11 538个结节.由1名经验丰富的超声医师对图像中的结节进行标注后作为样本数据集.使用有针对性的策略对Faster R-CNN网络结构和训练过程进行改进.优化后的网络模型经过五折交叉验证分析,并与3名超声医师对随机选取的100张甲状腺结节超声图像分别进行标注,比较检测效果.结果 优化后的Faster R-CNN网络模型可以准确地定位目标结节的位置,mAP为92.79％,单张图片的检测时间为0.06 s,对定位体积较小、不规则形状的结节更为准确.与超声医师的标注结果相比,人工智能模型的精确率和召回率较高(84.43％和 82.94％).结论 人工智能网络模型自动检测甲状腺结节在准确度和实时性方面均表现出良好的效果,在提高超声医师工作效率、辅助诊断方面具有良好的临床应用价值.

关键词：超声图像、甲状腺结节、人工智能、深度学习

所属期刊栏目：39

分类号：TP391.41;R445.1;TN911.73

在线出版日期：2023-04-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：209-213