Resumen

La ecografía se utiliza ampliamente en el diagnóstico clínico de los nódulos tiroideos. Las imágenes de ultrasonido de los nódulos tiroideos tienen diferentes apariencias, características interiores y bordes borrosos que son difíciles de diagnosticar por un médico en tipos malignos o benignos simplemente a través del reconocimiento visual. El desarrollo de la inteligencia artificial, especialmente el aprendizaje profundo, ha permitido grandes avances en el campo del diagnóstico de imágenes médicas. Sin embargo, existen algunos desafíos para lograr precisión y eficiencia en el reconocimiento de nódulos tiroideos. En este trabajo, proponemos una arquitectura de aprendizaje profundo, you only look once v3 dense multireceptive fields convolutional neural network (YOLOv3-DMRF), basada en YOLOv3. Está compuesta por una DMRF-CNN y capas de detección multiescala. En la DMRF-CNN, integramos la convolución dilatada con diferentes tasas de dilatación para seguir pasando el borde y las características de textura a capas más profundas. Se despliegan dos capas de detección a diferentes escalas para reconocer los diferentes tamaños de los nódulos tiroideos. Utilizamos dos conjuntos de datos para entrenar y evaluar el YOLOv3-DMRF durante los experimentos. Un conjunto de datos incluye 699 imágenes originales de ultrasonidos de nódulos tiroideos recogidas en un centro físico de salud local. Obtuvimos 10.485 imágenes después de aumentar los datos. Otro conjunto de datos es un conjunto de datos de libre acceso que incluye imágenes de ultrasonido de 111 nódulos tiroideos malignos y 41 benignos. La precisión media (AP) y la precisión media (mAP) se utilizan como métricas para las evaluaciones cuantitativas y cualitativas. Comparamos la propuesta YOLOv3-DMRF con algunas redes de aprendizaje profundo de última generación. Los resultados experimentales muestran que YOLOv3-DMRF supera a las demás en mAP y tiempo de detección en ambos conjuntos de datos. En concreto, los valores de mAP y tiempo de detección fueron 90,05 y 95,23 y 3,7 y 2,2 s, respectivamente, en los dos conjuntos de datos de prueba. Los resultados experimentales demuestran que el YOLOv3-DMRF propuesto es eficiente para la detección y el reconocimiento de nódulos tiroideos en imágenes de ultrasonido.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:nódulo tiroideo, reconocimiento de tiroides, imagen de tiroides, imagen de ultrasonido, tiempo de detección, resultados experimentales, propuesta yolov3-dmrf, precisión media, red neuronal convolucional, yolov3-dmrf
• Keywords:thyroid nodule, recognition of thyroid, image of thyroid, ultrasound image, detection time, experimental results, proposed yolov3-dmrf, average precision, convolutional neural network, yolov3-dmrf