基于深度学习的纵膈淋巴结超声弹性图像良恶性判定

摘要

目的：研究出一种计算机自动分析超声弹性图像的方法,或者改良一种同领域,不同研究对象的卷积神经网络,通过基于深度学习的计算机技术对已有的超声弹性成像的图像进行处理,自动判断图像中的纵膈淋巴结的良恶性,从而提高临床得到诊断准确率、检查普及率,减轻医生劳动量和强度,并减少漏诊率和误诊率. 方法：残差网络(ResNet)当前应用最为广泛的卷积神经网络特征提取网络,其主要依靠迁移学习的方法,加载从自然图像中预训练得到的卷积神经网络模型(Resnet34),以此来进行训练并且调整参数以满足要求. 结果：使用ResNet残差网络训练的模型,可以使分类的准确率最高达到87.7％,比RTE技术评分法结合淋巴结应变率比值SR法的准确率高. 结论：以ResNet残差网络为代表的卷积神经网络,在医学图像分类领域具有了良好的应用价值,准确率较高,能够辅助医生进行纵膈淋巴结超声弹性图像良恶性判定.