永利电玩棋牌网-手机版官网

基于卷积神经网络的甲状腺影像诊断研究

作者:未知

  摘  要:随着卷积神经网络在医疗图像领域的成功应用,进一步推动了医学影像设备性能的提升。通过利用卷积神经网络方法,对甲状腺影像进行系统的分析,有效预测患者的病情发展态势,切实保障诊断效率的提高,整体看具有较为显著的临床应用价值。鉴于此,该文通过分析卷积神经网络的基本结构、工作机制、基本特点,探讨基于卷积神经网络的甲状腺影像识别方法,并为甲状腺影像诊断提出几点思考,以期有效推动卷积神经网络在甲状腺影像诊断中的应用改革进程。
  关键词:甲状腺疾病  医学影像  卷积神经网络  神经网络模型
  Abstract: With the successful application of convolutional neural network in the field of medical imaging, the performance of medical imaging equipment is further improved. Through the use of convolution neural network method, systematic analysis of thyroid imaging can effectively predict the development trend of the patient's condition and effectively ensure the improvement of diagnosis efficiency, which has a more significant clinical application value. In view of this, this paper analyzes the basic structure, working mechanism and basic characteristics of convolutional neural network, discusses the thyroid image recognition method based on convolutional neural network, and puts forward some thoughts for thyroid imaging diagnosis in order to effectively promote the application and reform process of convolutional neural network in thyroid imaging diagnosis.
  Key Words: Thyroid disease; Medical imaging; Convolutional neural network; Neural network model
  1  卷积神经网络的基本原理
  1.1 基本结构
  卷积神经网络是由输入层、卷积层、池化层、全连接层、输出层等组成的,其组织结构比较固定。
  其中,该方法的运用需要明确以下事项:卷积层的每一层均包含着各种可学习的参数,同时相当于一个滤波器,便于获取相关物体的边缘与颜色特征;池化层一般在卷积层的后面,具有减少网络训练参数、降低输出结果维度、对输入做采样与降维等作用;激活函数位于卷积层与池化层之间,同时也是解决神经网络中非线性问题的关键,Tanh、Sigmoid、ReLUd等是较为常用的激活函数。
  1.2 工作机制
  一是卷积神经网络的反向传播算法。其本质与BP神经网络算法基本一致,主要区别在于卷积神经网络的反向求导需要明确参数连接的各个神经元。
  二是梯度下降法。朝着目标函数梯度反向上更新模型参数,从而实现最小化目标函数,即该方法机制的基本思想。其中,批量梯度下降与随机梯度下降是较常见的两种方法,后者可依据样本训练数据实时更新,便于高效求解模型参数。
  1.3 基本特点
  卷积神经网络具有局部感知、权值共享、多卷积核等显著特性,在降低网络复杂度、减少训练参数个数、优化网络结构等方面所起到的作用较为突出。
  具体而言,局部感知的特点在于通过对物体进行局部的感知,汇总局部感知信息来认知全局;权值共享是指利用同一个卷积核对整个图像进行卷积,等同于实现对整个图像进行滤波,便于有效固定各个卷积核对应的参数;卷积审计网络具备的多卷积核特点,在图像识别领域的优势较明显,卷积核个数越多,提取的图像特征则越多。
  2  基于卷积神经网络的甲状腺影像识别
  结合卷积审计网络的基本原理,在甲状腺影像识别中运用卷积审计网络方法的效果较好。为了进一步深入验证,特选取该院收治的甲状腺疾病患者临床资料进行探究分析,具体探讨基于卷积神经网络的甲状腺影像识别成效。
  2.1 数据收集分类
  选取2018年2月至2020年2月在该院接受治疗的709例甲状腺疾病患者,其中男性368例、女性341例,年齡16~78岁。所有患者影像数据收集自甲状腺病例原始影像检查报告,临床资料的选用已获得患者及其家属同意。将影像数据主要分成6大类,具体包括正常、甲状腺肿大、摄取功能减低、亚急性甲状腺炎、甲状腺功能亢进、甲状腺部位有结节。为了便于准确归类,对应数量统计除正常类99例患者外,其他5类患者数量均为122例。此外,甲状腺部位的结节尺寸处于0.10 cm×0.15 cm×0.05 cm~6.5 cm×5.5 cm×5.8 cm范围内,标准偏差为3.0 cm×3.8 cm×3.5 cm。
  2.2 数据处理
  通过分类患者影像数据,从中发现非对称性特点较为突出,相关典型症状的识别率仅在50%左右。传统影像增强方法的运用,产生新数据的重点在于改变空间刚性变换等方面,在此基础上提出卷积神经网络方法的应用设想,有利于降低模型泛化误差,加强甲状腺影像识别准确度。具体而言,根据已有的709例患者影像资料,使用卷积神经网络模型生成新的高分辨率的类似影像,采用深度学习方法准确识别人体甲状腺细胞影像纹理数据,并对6大类影像数据进行标注,最终准确获得识别交叉影像特征的结果。   2.3 软硬件工具分析
  软件工具以Python为主、Matlab为辅,用于进行开发语言、部分运算等工作;深度学习框架使用Python开发软件,便于快速搭建卷积审计网络模型,直观展现影像数据变化过程。硬件工具使用搭载Windows 10版本的计算机,主频达到2.8 GHz,4核8线程处理器。
  2.4 卷积神经网络方法的运用
  采用基于卷积审计网络的甲状腺影像识别方法,又被称之为深度学习分类模型,主要由卷积层、池化层等结构组成,包含激活函数、卷积、池化等操作。主要内容如下。
  第一,通过对709例甲状腺疾病患者原始影像进行数字图像处理,选择较为清晰的图像片层并删除冗余图像。针对图像数据特征进行滤波处理,减轻噪音对图像质量的影响。经过一系列处理办法,形成甲状腺影像信息的子图像,从而更加明确图像特征。
  第二,结合所有患者影像数据分类结果,设计甲状腺疾病分类卷积审计网络,主要以激活函数的选取、卷积结构的构建、池化结构的构建为主,进一步分层次挖掘所研究的样本特征。
  其中,激活函数能够深度提取甲状腺疾病特征,提高图像特征表达能力。Tanh、Sigmoid、ReLUd是常见的梯度弥散型函数,前两项函数具有梯度饱和的缺陷。选用ReLUd作为激活函数,其数学表达式为,相较适用于甲状腺疾病分类情况,且计算速度更快。
  在此设计的甲状腺影像诊断卷积神经网络模型包含多个卷积操作,对图像特征提取起到关键作用。通过从原始影像中提取低级特征,继而借助多次迭代拟合形成高级特征,并对图像分类输出实施改进。此外,在卷积过程中同样需要利用激活函数的矩阵运算,其实质则是卷积核的内积操作,便于促进卷积层与其他网络层的协作。
  甲状腺影像通过卷积层操作输出取均值,转而进入池化层结构,形成具有不重叠矩形区域特性的图像,从而完成对影像特征的采样统计。池化层的数学表达公式为,其中为权重系数;为最大池化函数。采用平均采样与最大采样等方法,在卷积层特征提取后进行统计计算与筛选归纳,选取图像区域的平均值与最大值,用以描述卷积特征并保持其均匀性。
  3  结果与分析
  3.1 模型测试结果
  通过设置卷积神经网络训练参数,对神经网络模型进行测试训。明确初始学习率为0.1,共计迭代训练300次,交叉训练后学习率转变为0.001,其变化曲线较为明显。由训练结果可知,训练迭代次数的增加,模型验证损失逐渐降低,其精度随之不断提高,证实了卷积神经网络模型训练效果较好,且在甲状腺影像识别中的运用也达到了预期成效。
  3.2 模型效果验证
  通过对测试的709例甲状腺疾病患者影像进行识别,进一步验证卷积神经网络模型的稳定性。对照实际诊断报告结论,将所有患者影像分成单一特征影像与交叉特征影像。统计6类甲状腺影像数据识别结果:正确识别数量总计649例、正确识别率达到91.5%;正常、甲状腺肿大、摄取功能减低、亚急性甲状腺炎、甲状腺功能亢进、甲状腺部位有结节的正确识别数量及识别率,分别对应为90(90.9%)、110(90.1%)、112(91.8%)、113(92.6%)、116(95.0%)、108(88.5%)。
  通过分析6类甲状腺影像数据识别结果,发现甲状腺功能亢进的识别率达到最高,甲状腺部位有结节的正确识别效果则是最差的。究其成因,基于卷积神经网络的甲状腺影像识别,甲状腺功能亢进的影像表征较为明显,甲状腺部位颜色与其他部位相比较深;甲状腺部位结节的影像表征存在显著的区别,每一结节的位置、大小、颜色、深度均有所差异,症状识别准确度较低。由此可见,传统的卷积神经网络模型设计仍然存在有待改进之处,尤其是神经网络模型的训练测试方面,提高甲状腺疾病症状识别进精度则显得至关重要。
  3.3 统计评价结果
  设定召回率、精确率、特异度作为评价卷积神经网络方法性能的指标,比较基于卷积神经网络的甲状腺影像识别效果。在此需要明确两项指标的核心内容。召回率又被称之为灵敏度或命中率,主要是指正确预测样本数量与总样本数量的比率;特异度是指正确预测阴性样本与总阴性样本的比率。此外,各项性能指标评价公式,分别对应为召回率=TP/TP+FN、精确率=TN/FP+TN、特异度=TN/FP+TN,其中TP为样本呈正阳性;TN为样本呈真阴性;FP为样本呈假阳性;FN为样本呈假阴性。
  根据卷积神经网络模型的分类结果,对比甲状腺肿大、摄取功能减低、亚急性甲状腺炎、甲状腺功能亢进、甲状腺部位有结节5类甲状腺影像数据,召回率分别为95.7%、94.7%、95.8%、96.8%、92.6%,精确率分别为97.7%、94.7%、98.4%、97.8%、96.6%,特异度分别为94.7%、94.6%、96.6%、95.7%、97.6%,结果表明卷积神经网络模型对甲状腺影像症状有较高的识别率。
  4  结语
  综上所述,借助卷积神经网络方法,利用卷积神经网络模型进行甲状腺影像诊断,便于准确识别正常、甲状腺肿大、摄取功能减低、亚急性甲状腺炎、甲状腺功能亢进、甲状腺部位有结节6类甲状腺疾病影像,具有很好的临床应用价值。
  参考文献
  [1] 毕磊磊.超声影像特点对甲状腺结节性质的诊断价值探讨[J].中国继续医学教育,2020,12(21):96-97.
  [2] 傅强,熊颖,闫妍,等.三种甲状腺影像报告和数据系统临床应用评估[J].中国医学装备,2020,17(6):33-37.
  [3] 黄江珊,高娃,宿静,等.基于卷积神经网络与长短期记忆网络的医学影像数据管理方法研究[J].医学与社会,2020,33(6):84-89,110.
  [4] 邹奕轩,周蕾蕾,赵紫婷,等.基于卷积神经网络的甲状腺结节超声图像良恶性分类研究[J].中国医学装备,2020,17(3):9-13.
  [5] 王洪杰,张恩东,于霞.基于卷积神经网络的超声影像甲状腺结节良恶性预测研究[J].中国医疗设备,2020,35(1):23-25.
  [6] 武宽,秦品樂,柴锐,等.基于不同超声成像的甲状腺结节良恶性判别[J].计算机应用,2020,40(1):77-82.
转载注明来源:/8/view-15391189.htm

服务推荐