改进全卷积神经网络的甲状腺结节分割方法

为了更加精确地分割出甲状腺结节，本文提出了一种改进的全卷积神经网络（Fully convolutional network，FCN） 分割模型。相较于FCN，本文方法加入了空洞空间卷积池化金字塔 （Atrous spatial pyramid pooling， ASPP） 模块与多层特征传递模块（Feature transfer， FT），并采用LinkNet模型中Decoder模块进行上采样，VGG16主干网络实现特征提取下采样。实验采用来自斯坦福AIMI（Artificial intelligence in medicine and imaging）共享数据集的17 413张超声甲状腺结节图像分别用于训练、验证和测试。实验结果表明，相比于其他多种分割模型，本文模型在平均交并比（mean Intersection over union，mIoU），Dice相似系数，F₁分数3个分割指标上分别达到了79.7%，87.6%和98.42%，实现了更好的分割效果，有效地提升了甲状腺结节的分割精确度。