循环卷积神经网络提升甲状腺恶性结节检测准确率

本文主要探讨了基于循环卷积神经网络（Circular Convolutional Neural Network, CCNN）的甲状腺恶性结节检测技术。在面对过拟合问题以及甲状腺恶性结节细粒度分类任务，即区分恶性与高度恶化的结节时，研究人员提出了一种创新的分类策略。他们将经典的深度学习模型Xception网络与长短期记忆网络（Long Short-Term Memory, LSTM）相结合，以实现特征提取的互补性。Xception网络负责提取局部特征，而LSTM则捕捉结节的序列信息，两者各自独立运作又相互补充。 首先，Xception网络和LSTM分别对甲状腺结节样本进行特征提取，得到两个独立的特征矩阵。这些矩阵包含了丰富的局部和时间依赖信息。然后，利用Merge算法将这两个特征矩阵整合成一个单一的特征矩阵，这个过程有助于合并不同层次的特征表示，提高整体模型的表达能力。 接下来，整合后的特征矩阵被输入到卷积神经网络（Convolutional Neural Network, CNN）中，进一步进行特征提取和池化操作。CNN擅长处理图像数据，通过滑动窗口的方式捕捉图像的空间结构，并通过池化层减小维度，降低计算复杂度。 最后，为了对抗过拟合并优化模型泛化性能，研究者采用L2正则化的Softmax函数作为分类器。Softmax函数将特征映射到概率分布上，使得模型能够进行多分类任务，并通过交叉熵损失函数进行训练。经过充分的训练与测试，结果显示，基于循环卷积神经网络的甲状腺恶性结节细粒度分类准确率达到了87.00%，这表明该方法在识别恶性与高度恶化的甲状腺结节方面具有较高的精度和良好的特征提取能力。 关键词包括：图像处理、神经网络、超声图像、甲状腺和图像分类。这项研究不仅提升了甲状腺结节检测的精确度，也为医学影像分析中的细粒度分类问题提供了一个有效的解决方案。