左东奇 1 , 韩霖 1 , 陈科 1 , 李程 2 , 花瞻 2 , 林江莉 1
  • 1. 四川大学 材料科学与工程学院 生物医学工程系(成都  610065);
  • 2. 北京中日友好医院(北京 100029);
导出 下载 收藏 扫码 引用

超声是检测甲状腺结节的首选方法,钙化特征是甲状腺结节良恶性判别的重要特征。但是由于囊壁等结节内部结构的干扰,钙化点提取一直是医学影像处理技术中的难点。本文提出了一种基于深度学习算法的钙化点提取法,并在阿列克谢(Alexnet)卷积神经网络的基础上提出了两种改进方法:① 通过添加逐层对应的反池化(unpooling)和反卷积层(deconv2D)使网络向着所需要的特征进行训练并最终提取出钙化特征;② 通过修改 Alexnet 模型卷积模板的数量和全连接层节点的数量,使其特征提取更加精细;最终通过两种方法的结合得到改进网络。为了验证本文所提出的方法,本文从数据集中选取钙化结节图像 8 416 张、无钙化结节图像 10 844 张。改进的 Alexnet 卷积神经网络方法的钙化特征提取准确率为 86%,较传统方法有了较大提升,为甲状腺结节的良恶性识别提供了有效的手段。

引用本文: 左东奇, 韩霖, 陈科, 李程, 花瞻, 林江莉. 基于卷积神经网络提取超声图像甲状腺结节钙化点的研究. 生物医学工程学杂志, 2018, 35(5): 679-687. doi: 10.7507/1001-5515.201710017 复制

  • 上一篇

    基于 theta-gamma 相位幅值耦合的脑疲劳信息传递整合机制研究
  • 下一篇

    基于双稀疏模型的压缩感知核磁共振图像重构