姚文君,殷超然,朱宏庆,江健敏,庞小溪,孙怡宁

近几十年来,甲状腺癌的发病率在全世界范围内迅速上升[1],由于早期甲状腺癌治愈的可能性极大,因此,对甲状腺良恶性结节的早期鉴别至关重要[2]。超声虽然被广泛应用于甲状腺结节的诊断和随访,但视觉评估的图像耗时、主观性强,迫切需要一种准确、高效、客观的辅助诊断方法。目前计算机辅助诊断已有一定的研究基础[3],而卷积神经网络的兴起使其表现出了更多的实用价值[4],如GoogLeNet常用于医学图像的分类[5]。然而,超声图像分辨率低、对比度低,识别难度较大,且目前大部分利用手动分割,故诊断的精度和自动化水平有待提高。基于此,该研究利用YOLOv5神经网络的深度学习方法,构建甲状腺结节区域卷积神经网络检测模型,自动获取结节区域图像并利用GoogLeNet图像分类网络对结节进行良恶性分类,从而实现影像全过程的自动化诊断,有效缩短阅片时间,规避主观因素对诊断造成的影响,提高甲状腺结节的识别和诊断水平,避免过度治疗带来的损伤。

1 材料与方法

1.1 病例资料回顾性选取安徽省第二人民医院及安徽医科大学第二附属医院2019年6月—2022年6月的甲状腺超声图像,共1 012例,其中男性352例,女性660例。纳入标准:超声图像清晰。排除标准:超声资料不完整;同时患有其他肿瘤疾病;桥本氏甲状腺炎;甲状腺弥漫性钙化性结节;伪影较多影响图像质量。本研究经安徽医科大学第二附属医院伦理委员会通过,免除知情同意书(批准号:YX2021-001)。……