科研之友
微信
新浪微博
Facebook
分享链接
摘要
超声图像在乳腺疾病的临床诊断中具有重要意义，但是乳腺超声图像分辨率低、样本量小，同时对于NASNet算法虽然适用于小样本数据但参数量大难以训练的问题。本研究提出一种改进的NASNet分类算法来检测乳腺肿块的良恶性。首先采用迁移学习技术将NASNet在ImageNet上预训练，将学习到的特征直接用于乳腺超声图像上肿块的良恶性识别，节省计算成本的同时提高精度；然后，为增强网络对超声图像特征的提取能力并使网络轻量化，在NASNet深层融入深度可分离卷积，构造出更深更宽的网络；最后，为了增强与疾病更加相关的特征权重，进一步增强高阶特征信息的提取能力，加入SE模块来筛选超声图像中占比较重的通道特征。为验证该算法，基于本地医院数据集以及公共数据集实验，其中本地医院数据共计1 350张超声图像，两个公共数据集共计895张超声图像。采用五折交叉验证的训练方法，并将该算法与目前广泛应用的分类算法进行比较。基于本地医院数据实验的Acc、Sen、F1均为97.52%;公共数据集作为训练集和验证集，本地医院数据集作为测试集的实验的Acc、Sen、F1分别为96.31%、96.31%、96.39%;基于本地医院数据和公共数据的混合数据实验的Acc、Sen、F1均为98.27%。所提算法较其他算法具有优越性，证实了该算法更适用于小样本乳腺超声图像的肿块良恶性分类。
- 出版日期2022
- 单位昆明理工大学; 云南省肿瘤医院; 自动化学院
