ty -jour a2 -sarfraz，shahzad au -chen，weibin au -gu，Zhiyang au -liu，Zhimin au -fu，Yaoyao au -ye -ye -ye，Zhipeng au -Zhang -Zhang，Zhang，Zhang，Xin au -xin au -xiao -xiao，lei py -2021 da -2021 da -2021 da -2021 da -20221/20221/20221/20221/20221/09/13 TI-基于转移学习和深度卷积神经网络SP -6296811 VL -2021 AB -2021 AB-甲状腺结节是临床障碍，具有较高的发射率，全球每年都检测到的病例。对使用超声成像进行良性或恶性甲状腺结节的早期分析在诊断甲状腺癌中至关重要。虽然
b- 模式超声可用于在甲状腺中找到结节的存在，没有现有的方法来准确且自动诊断超声图像。在这项追求中，本研究设想了基于转移学习和深度卷积神经网络的甲状腺结节的准确有效鉴定的超声诊断方法的发展。最初，采用了基于总变化 - （TV-）的自适应图像恢复方法来预处理甲状腺超声图像并删除寄宿生和标记。通过数据增强作为培训集，通过训练有素的GoogLenet卷积神经网络进行转移学习以提取图像功能。最后，基于从开源数据集中的甲状腺图像和从当地医院收集的甲状腺图像的甲状腺图像，进行了联合培训和二次转移学习，以提高分类精度。为甲状腺超声图像数据集建立了Googlenet模型。与Lenet5，VGG16，Googlenet和Googlenet（改进）建立的网络相比，结果表明，使用GoogLenet（改进）模型增强了Nodule分类的准确性。不同数据集和二次转移学习的联合培训进一步提高了其准确性。对各种类型患病和正常甲状腺的医疗图像数据集的实验结果表明，该方法的分类和诊断的准确率为96.04％，具有显着的临床应用值。SN -1076-2787 UR -https：//doi.org/10.1155/2021/6296811 do -10.1155/2021/6296811 JF-复杂性PB- Hindawi KW- hindawi kw- er- er- er-