Classification des nodules thyroïdiens dans les images ultrasonores en ajustant avec précision le réseau neuronal convolutionnel profond

Recherches récentes en Saskatchewan

De nombreux nodules thyroïdiens étant détectés incidemment, il est important d’identifier autant de nodules malins que possible tout en excluant ceux qui risquent fort d’être bénins par une biopsie par aspiration à l’aiguille fine (FNA) ou une chirurgie. Cet article présente un système de diagnostic assisté par ordinateur (CAD) permettant de classer les nodules thyroïdiens sur des images échographiques. Nous utilisons une approche d’apprentissage en profondeur pour extraire les caractéristiques des images échographiques thyroïdiennes. Les images échographiques sont prétraitées pour calibrer leur échelle et éliminer les artefacts. Un modèle GoogLeNet pré-formé est ensuite ajusté à l’aide des échantillons d’image pré-traités, ce qui permet une extraction de fonctionnalités supérieure. Les caractéristiques extraites des images d’échographie thyroïdienne sont envoyées à un classificateur de forêt aléatoire à sensibilité au coût pour classifier les images en cas «malins» et «bénins». Les résultats expérimentaux montrent que le modèle GoogLeNet proposé offre d’excellentes performances de classification, avec une précision de classification de 98,29%, une sensibilité de 99,10% et une spécificité de 93,90% pour les images d’une base de données en libre accès (Pedraza et al. 16), tandis que , 86% de sensibilité et 99% de spécificité pour les images de notre base de données de régions sociosanitaires locale.