一种基于深度学习的甲状腺结节超声图像自动分割系统

摘要

本发明涉及甲状腺治疗技术领域，且公开了一种基于深度学习的甲状腺结节超声图像自动分割系统，包括影像数据库，所述影像数据库的输出端信号连接有分割系统的输入端，所述分割系统的输出端信号连接有分析系统，以Eff icientDet作为编码器，以U‑Net++模型为特征提取的基本模型，并在编码器和解码器中融合了CSSE块以提高了性能，通过重新设计网络结构，以减少模型参数的数量，新型U‑Net++模型的平均D i ce系数增加了0.0901，平均准确度P增加了0.0836，平均召回率R增加了0.0322，平均F1得分增加了0.0601，新型U‑Net++模型有效提高了甲状腺结节超声图像的分割精度，可以帮助医生进行有效的诊断，并使图像中的全局特征可以在系统使用的骨干网络结构中更有效地利用。