基于deep CNN的Faster R-CNN在肝脏肿瘤超声图像中的初步应用

作者：管海涛; 赵金丽; Xi Pengcheng^*

来源：中国超声医学杂志, 2020, 36(03): 218-220.

• deep CNN
• Faster R-CNN
• 机器学习
• 人工智能
• 超声
• 肝脏

目的运用Faster R-CNN特征计算借助深层CNN架构,分析预标识肝脏肿块超声图像,尝试建立检测器并测试其效能。方法选择肝囊肿及肝癌超声图像为研究对象,收集正常肝脏各切面图像行deep CNN学习,迁移学习后优化预先训练的deep CNN构建更快的R-CNN。将ImageJ软件标识的肿瘤图像作为补丁训练分类器,并通过与基于区域建议的卷积神经网络集成构建检测器,检测器检测样本后自动标识肝脏异常病灶。结果 (1)Faster R-CNN较传统检测器检测效率提高;(2)Faster R-CNN预测肝囊肿及肝癌的平均准确率均高于传统HOG-SVM,AlexNet、GoogleNet、ResNet三种CNN预测肝囊肿的准确率差异不显著,而三种方法中ResNet预测肝癌的准确性最佳。deep CNN进行特征转移五次交叉验证后,补丁分类结果中AlexNet、GoogleNet、ResNet预测准确性分别为94.94%、94.14%、 98.68%,较传统HOG-SVM分类器准确性87.29%有提高。结论基于deep CNN的Faster R-CNN可高效准确预测肝脏肿瘤超声图像,具有一定的临床及研究价值。

• 单位
  南通市第三人民医院; 南通大学附属医院