基于CT双期增强图像的深度迁移学习模型对甲状腺良恶性结节的分类研究

【摘要】目的：评价基于CT双期增强图像的不同深度迁移学习（DTL）模型对甲状腺良恶性结节的分类效能。方法：采用相同程序架构和相同数据集对3种DTL模型（VGG19、ResNet50和DenseNet201）的分类诊断效能进行测试和评估。以不同模型在训练集和测试集中的最高预测符合率和在验证集中的符合率、召回率、F1评分和受试者工作特性曲线（ROC）下面积作为评估模型效能的指标。结果：DenseNet201模型获得了最好的训练和测试结果，在训练集和测试集中的最高预测符合率分别为1.00和0.98；VGG19模型用时最长，其在训练集和测试集中的预测符合率分别为0.99和0.98，较DenseNet201略差；ResNet50模型用时最短，但测试结果最差，在训练集和测试集中的最高符合率分别为0.93和0.92。VGG19、ResNet50和DenseNet201模型在验证集中的平均符合率为0.96、0.92和0.98），召回率分别为0.96、0.91和0.98，F1评分分别为0.96、0.91和0.98。DenseNet201模型的ROC曲线下面积为0.98，高于VGG19模型（0.95）和ResNet50模型（0.91）。结论:基于DenseNet201的DTL模型对甲状腺CT良恶性结节具有较高的分类效能，有助于提高影像诊断准确性。