论文部分内容阅读
目的:采集来自重庆医科大学附属大学城医院RIS系统及重庆医科大学附属第一医院PACS系统职称在副主任医师以上自2017年10月到2020年1月期间所存的已经给出ACR TI-RADS分类的甲状腺超声图像,运用深度学习领域的卷积神经网络设计一基于甲状腺超声图像的ACR TI-RADS的诊断模型,为临床超声医生提供辅助诊断参考,也能用于实习医生及低年资超声医生的教学辅助。方法:收集职称在副主任医师以上自2017年10月到2020年1月期间所存的已经给出ACR TI-RADS分类的甲状腺超声图像2000病例共150000张甲状腺超声图像,并经过图像预处理、数据增强等数据集处理方法得到一可以用于卷积神经网络模型学习的数据集,运用迁移学习策略,Cosine Learning Rate Decay(余弦学习率衰减)、模型融合等方法设计并训练出一个具有较强分类性能的分类模型,评价模型的分类效果利用测试集数据进行测试,同时引入初级医生、中级医生两组医生对测试集进行读图,并对三组的读图准率率及效率进行分析。结果:经过图像的筛选,最终本实验一共采集了来自于2000个病例的甲状腺超声图像共4300张,ACR TI-RADS分级1类300张,2类500张,3类500张,4类500张,5类300张,其中采集的5类病例全部经病理结果证实为恶性病例。经过数据平衡处理及数据增强后最终得到数据量是36000张,运用数据集对已经使用迁移学习方法预训练过的VGG、Inception、ResNet、DenseNet121、Xception这5种卷积神经网络模型进行训练,筛选出分类效果最好的模型DenseNet121,再运用Cosine Learning Rate Decay及模型融合方法使模型的最高分类准确率达95.83%,最低准确率83.95%,平均准率87.87%,引入初级医生读图组、中级医生读图组读图后统计分析出模型的整体准确率明显高于初级医生读图组,与中级医生读图组持平。结论:本课题以人工智能(AI)技术在医学图像识别中的应用为研究背景,基于甲状腺超声图像,采用深度学习方法,设计并训练出的智能诊断模型对甲状腺结节的分类效果较好,且效率高,稳定性好。但是本课题研究也存在不足之处,采集的数据集规模不大,范围不广,因此在反映模型的分类性能上存在局限性。在以后的研究中可以联合更多医院的超声科,将数据集的规模及增加,这样模型的临床实用性更强,能更好的为临床超声医生作辅助诊断参考。