%0 Journal Article
%T 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
%A 李程
%A 林江莉
%A 花瞻
%A 陈科
%A 韩霖
%J -
%D 2018
%R doi:10.7507/1001-5515.201710017
%X 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
%K 甲状腺结节
%K 钙化点
%K 卷积神经网络
%K 阿列克谢卷积神经网络
%U http://www.biomedeng.cn:80/article/10.7507/1001-5515.201710017