摘要
将深度学习技术应用于甲状腺超声图像中结节的检测与识别并辅助医师进行性状识别具有重要意义和应用价值。课题主要研究内容和取得的阶段性成果如下。 首先，针对现有的甲状腺结节自动检测与识别方法在较高IoU阈值（IoU＞=0.75）情况下，可能存在检测精度不高的问题。本文以当前目标检测领域先进的IoU-Net模型为基础，提出并构造了一个针对高质量的甲状腺结节自动检测与良恶性识别模型---Trident R-CNN。该模型通过对IoU-Net的检测器进行改进，提出了一个由三个分别专注于不同任务且并行执行的检测分支而组成的检测器，以旨在解决在高IoU阈值情况下存在检测精度不高的问题。 其次，针对现有方法未能很好利用甲状腺结节相关的临床先验知识的问题，提出了一种基于临床先验知识的锚框定义策略，进一步提升了模型的识别性能。 再次，针对现有方法在模型训练过程中困难样本与准确样本之间存在不平衡的问题，本文通过采用更为有效的balanced L1loss损失函数来提升准确样本的梯度值，进而解决训练过程中困难样本与准确之间的不平衡问题。 最后，本文以从某三甲医院收集来的2608张甲状腺超声图像作为数据集，对所提模型进行训练和验证。实验得到所提出的模型在IoU阈值为0.5和0.75的情况下，mAP分别达到了89.8%，79.5%，目标检测准确率达到98.90%。此外，与超声检验医师进行临床人工诊断效果对比，所提出的模型具有更好表现，在实验数据集上对比测试时，所提出模型的识别准确率比检验医师高了11.5％。表明了所提方法是有效的，可以为医师的诊断提供帮助和减少医师的劳动强度。
NETL