•854•安徽医科大学学报ActaUniversitatisMedicinalisAnhui2023May；58(5)网络出版时间：2023-04-2111：07：24网络出版地址:https：//kns.cnki.net/kcms/detail/34.1065.R.20230420.1341.024.html基于深度卷积神经网络的甲状腺超声图像良恶性结节识别方法研究姚文君▽,殷超然3,朱宏庆1,江健敏°,庞小溪§,孙怡宁$摘要目的探讨深度卷积神经网络在甲状腺结节超声图像的自动检测和良恶性分类中应用价值。方法回顾性选取1012幅甲状腺结节的超声图像并对其进行标记，构建YOLOv5网络模型，精准定位甲状腺结节所在位置并自动裁减结节所在区域，同时构建GoogLeNet网络模型对裁减后结节的图像进行良恶性分类。结果在所采集的数据集中，目标检测网络对甲状腺结节位置检测的平均精确度均值为96.2%；分类网络对良恶性结节分类的敏感度为0.885，特异度为0.822,准确度为0.866,AUC值为0.92,显著高于Alex-Net模型(AUC=0.81)、VGG模型(AUC=0.86)和Mo-bileNet模型(AUC=0.76)。结论深度卷积神经网络模型对超声图像中的甲状腺良恶性结节具有较高的定位和识别能力,有助于提高影像自动诊断的准确性。关键词甲状腺结节；超声图像；深度卷积神经网络;Y0L0v5网络中图分类号R816.6；R320.1140文献标志码A文章编号1000-1492(2023)05-0854-05doi:10.19405/j.cnki.issnlOOO-1492.2023.05.025近几十年来，甲状腺癌的发病率在全世界范围内迅速上升⑴，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⑵。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⑶，而卷积神经网2022-11-29接收基金项目:安徽省自然科学基金(编号：2008085QH406)；安徽医科大学第二附属医院临床研究培育计划(编号：2020LCYB05)；安徽省转化医学研究院科研基金(编号：2021zhyx-C45)作者单位:安徽医科大学第二附属医院1放射科、5核医学科，合肥2306012中国科学院合肥物质研究院智能机械研究所，合肥2300313安徽省第二人民医院超声科，合肥2300114安徽大学电子信息工程学院，合肥230601作者简介:姚文君，女,副主任医师；孙怡宁，男,研究员，博士生导师，责任作者:E-mail:ynsun@iim.ac.cn络的兴起使其表现出了更多的实用价值⑷，如GoogLeNet常用于医学图像的分类⑸。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...
