换一批
换一批MobileNetV3识别甲状腺良恶性结节的超声图像
Recognition of Benign and Malignant Thyroid Nodules from Ultrasound Images Using MobileNetV3
摘要目的:研究MobileNetV3在甲状腺良恶性结节超声图像分类问题中的可行性并评估效果.方法:回顾性分析1 996例甲状腺结节患者的临床与超声资料.共获得良性结节1 353个,恶性结节1197个.将良性结节和恶性结节超声图像按照8∶1∶1比例划分为训练集、测试集和验证集.构建基于Pytorch框架的MobileNetV3深度学习网络.采用不同优化器和学习率组合在数据集中对MobileNetV3的2个亚模型(small和large)进行训练、测试和验证.结果:large模型中以LAdamax_0.001在训练集和测试集的准确率最高,分别为0.98和0.92;其次为LAdam_0.0001,分别为0.96和0.87.small模型中以SAdam_0.001在训练集和测试集的准确率最高,分别为0.97和0.85;其次为SAdam_0.0001,分别为0.88和0.85.在验证集中的精确度、召回率、F1评分和受试者工作特征曲线下面积分别为LAdamax_0.001(0.95,0.95,0.95,0.94)、LAdam_0.0001(0.88,0.88,0.88,0.88)、SAdam_0.001(0.90,0.89,0.89,0.88)和SAdam_0.0001(0.89,0.89,0.89,0.89).结论:MobileNetV3是甲状腺良恶性结节超声图像分类的有效方法,以LAdamax_0.001性能最佳,具有潜在的临床应用价值.
更多相关知识
- 浏览17
- 被引0
- 下载6
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
