基于改进Mask R-CNN的多标签甲状腺结节检测模型

基于符合中国国情的C-TIRADS甲状腺结节恶性风险分层指南来构建计算机辅助诊断模型具有重要的应用价值,能够提升甲状腺结节和分化型甲状腺癌诊断的规范化、标准化、同质化,提高医生诊断效率和降低劳动强度。本文提出基于深度学习的多标签目标检测模型用以检测识别甲状腺结节、预测甲状腺结节恶性等级以及结节的病理特征,经过在数据集上进行实验对比选取Mask R-CNN作为基准模型,并在基准模型基础上进行优化改进,主要改进包括使用ResNet152-FPN替换原有特征提取网络来提升模型特征能力,设计全新的卷积多标签检测头结构来对结节病理特征进行多标签预测,基于医学先验知识对模型锚框尺寸及比例进行自定义来提升模型的定位精度,最后为模型设计迁移学习训练方案来进一步提升模型性能。实验结果表明,改进模型对甲状腺结节的识别准确率达到了94.4%,对甲状腺结节病理特征的平均识别准确率达到了88.6%。