科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的：探讨改进U-Net神经网络模型在甲状腺结节自动分割中的应用价值。方法：优化和改进U-Net神经网络模型，选取2020年7-12月于医院超声科就诊的甲状腺结节患者的超声图像共计1 140幅，所有图像均经从事超声诊断工作5年以上医师进行甲状腺结节的人工分割，对其中的860幅甲状腺结节的图像(训练集)进行建模训练，另280幅甲状腺结节的图像(验证集)进行模型验证，对模型分割的准确度进行分析。结果：改进U-Net神经网络模型对甲状腺结节自动分割的Dice相似性系数(DSC)为0.899，交并比(IOU)为0.862，准确度(Acc)为0.995。验证集中的280幅图像总计运行时长为309 s，平均每幅图像的分割时间为1.1 s，识别速度十分迅速。结论：构建的改进U-Net神经网络模型对于甲状腺结节的自动分割具有较好的分割效果和较高的精确度，且分割速度迅速，可大幅度提高甲状腺结节整体的筛查、诊断和治疗效率，具有较高的临床应用价值。
