基于卷积神经网络提取超声图像甲状腺结节钙化点的研究

超声是检测甲状腺结节的首选方法,钙化特征是甲状腺结节良恶性判别的重要特征。但是由于囊壁等结节内部结构的干扰,钙化点提取一直是医学影像处理技术中的难点。本文提出了一种基于深度学习算法的钙化点提取法,并在阿列克谢(Alexnet)卷积神经网络的基础上提出了两种改进方法:(1)通过添加逐层对应的反池化(unpooling)和反卷积层(deconv2D)使网络向着所需要的特征进行训练并最终提取出钙化特征;(2)通过修改Alexnet模型卷积模板的数量和全连接层节点的数量,使其特征提取更加精细;最终通过两种方法的结合得到改进网络。为了验证本文所提出的方法,本文从数据集中选取钙化结节图像8 416张、无钙化结节图像10 844张。改进的Alexnet卷积神经网络方法的钙化特征提取准确率为86%,较传统方法有了较大提升,为甲状腺结节的良恶性识别提供了有效的手段。