• 国家药监局综合司 国家卫生健康委办公厅
  • 国家药监局综合司 国家卫生健康委办公厅

基于深度学习算法Mask R-CNN的甲状腺结节检测模型研究

通讯作者: 曹新志, to_cxz@163.com
DOI:10.12201/bmr.202411.00085
声明:预印本系统所发表的论文仅用于最新科研成果的交流与共享,未经同行评议,因此不建议直接应用于指导临床实践。

Research on thyroid nodule detection model based on deep learning algorithm Mask R-CNN

Corresponding author: CAO Xin-zhi, to_cxz@163.com
  • 摘要:目的/意义 通过基于区域卷积神经网络的目标掩码分割算法(Mask Region-based Convolutional Neural Network, Mask R-CNN)建立目标检测模型,智能识别甲状腺超声图像结节位置,为超声医生决策提供参考。方法/过程 收集超声结节图像165 0张,使用labelme工具进行结节位置标注。对Mask R-CNN的主干网络分别采用MobileNetV3、ResNet50、ResNet101和ResNet152进行替换,并引入特征金字塔(Feature Pyramid Network,FPN)和感兴趣区域对齐(Region of Interest Align,ROI Align),采用迁移学习训练策略对模型进行训练,比较不同网络下目标检测效果。结果/结论 主干网络采用ResNet101训练的模型平均精确度为86.8%,平均召回率为95.3%,平均F1分数为90.6%,优于其他主干网络,能更精确地检测甲状腺结节,具有一定的临床应用价值。

    关键词: 甲状腺结节Mask R-CNN目标检测神经网络

     

    Abstract: Purpose/Significance Establish an object detection model through the target mask segmentation algorithm based on Mask Region-based Convolutional Neural Network (Mask R-CNN) to intelligently identify the nodule location in thyroid ultrasound images and provide a reference for the decision-making of ultrasound doctors. Method/Process Collect 165 0 ultrasound nodule images, use the labelme tool to label the nodule locations. Replace the backbone network of Mask R-CNN with MobileNetV3, ResNet50, ResNet101, and ResNet152, and introduce Feature Pyramid Network (FPN) and Region of Interest Align (ROI Align). Train the model using transfer learning training strategy and compare the object detection performance under different networks. Result/Conclusion The backbone network trained using ResNet101 has an average accuracy of 86.8%, an average recall rate of 95.3%, and an average F1 score of 90.6%, which is superior to other backbone networks and can more accurately detect thyroid nodules, it has certain clinical application value.

    Key words: thyroid nodule; Mask R-CNN; Object detection; Neural network

    提交时间:2024-11-29

    版权声明:作者本人独立拥有该论文的版权,预印本系统仅拥有论文的永久保存权利。任何人未经允许不得重复使用。
  • 图表

  • 刘庆金, 王锐, 苗元青. 基于深度学习的无症状心肌缺血动态心电图智能检测研究. 2021. doi: 10.12201/bmr.202111.00009

    李威, 耿中利, 昂沙尔·苏来曼. 腔镜甲状腺癌手术中神经监测技术的演进. 2024. doi: 10.12201/bmr.202411.00051

    张春阳, 胡宏伟. 基于神经网络的老年护理人员工作能力预测机制研究 ——职业化发展视域. 2021. doi: 10.12201/bmr.202104.00022

    顾耀文, 李姣. 基于无监督深度学习的电子健康档案数据挖掘技术研究进展. 2021. doi: 10.12201/bmr.202104.00013

    吴胜男, 吴佳辉, 董继宗, 蒋环宇, 王璐琦, 王欣瑶. 基于二分网络表示学习的医学实体关系预测研究. 2024. doi: 10.12201/bmr.202407.00041

    莫媚, 邹洋, 李嘉颖. 通络散结法辨治肺结节经验. 2024. doi: 10.12201/bmr.202411.00055

    崔涛, 何佳俊, 何华, 李睿, 赵亮, 垢德双. 基于深度学习的舌象特征研究. 2024. doi: 10.12201/bmr.202404.00020

    杜雪杰, 葛辉. 基于BP神经网络方法构建手足口病预测预警模型设计研究. 2021. doi: 10.12201/bmr.202102.00002

    周圆, 刘静, 潘亚雯, 任政. 机器人甲状腺切除术在甲状腺癌治疗研究进展. 2024. doi: 10.12201/bmr.202411.00030

    胡海洋, 赵从朴, 马琏, 姜会珍, 张晶, 朱卫国. 基于注意力机制和DGCNN的中文医疗命名实体识别. 2021. doi: 10.12201/bmr.202102.00004

  • 序号 提交日期 编号 操作
    1 2024-08-23

    bmr.202411.00085V1

    下载
  • 公开评论  匿名评论  仅发给作者

引用格式

王杰, 王至诚, 娄帅, 董建成, 曹新志. 基于深度学习算法Mask R-CNN的甲状腺结节检测模型研究. 2024. biomedRxiv.202411.00085

访问统计

  • 阅读量:16
  • 下载量: 0
  • 评论数:0

Email This Article

User name:
Email:*请输入正确邮箱
Code:*验证码错误