Resumen

A pesar del ingente número de pacientes afectados por el nódulo tiroideo, la detección en una fase temprana sigue siendo una tarea difícil. La ultrasonografía tiroidea (US) es un procedimiento no invasivo y barato ampliamente utilizado para detectar y evaluar los nódulos tiroideos. El método de ultrasonografía para la clasificación de imágenes es una tecnología de diagnóstico asistida por ordenador basada en las características de la imagen. En este artículo, ilustramos un método que implica la combinación de las características profundas con las características convencionales para formar un espacio de características híbrido. Para mejorar la calidad y las características de la imagen antes de la extracción de características, se emplean varias técnicas de mejora de la imagen, como la ecualización de histogramas, el operador laplaciano, la transformada logarítmica y la corrección gamma. Entre estos métodos, la aplicación de la ecualización de histogramas no sólo mejora el brillo y el contraste de la imagen, sino que también consigue la mayor precisión de clasificación, con un 69,8%. Extraemos características como histogramas de gradientes orientados, patrón binario local, SIFT y SURF y las combinamos con características profundas de red generativa adversarial residual. Comparamos ResNet18, una red neuronal convolucional residual de 18 capas, con Res-GAN, una red generativa adversarial residual. El resultado experimental muestra que Res-GAN supera al modelo anterior. Además, fusionamos SURF con características profundas con un modelo de bosque aleatorio como clasificador, que alcanza una precisión del 95 de precisión.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:red generativa adversarial residual, características profundas, ecualización de histogramas, varias técnicas de mejora de imágenes, red neuronal convolucional residual, máxima precisión de clasificación, espacio de características híbrido, patrón binario local, modelo de bosque aleatorio, GAN
• Keywords:residual generative adversarial network, deep features, histogram equalization, Several image enhancement techniques, residual convolutional neural network, highest classification accuracy, hybrid feature space, local binary pattern, random forest model, GAN