基于迁移学习ResNet50模型的肾脏占位CT图像的良恶性分类研究
目的 肾脏占位性病变的良恶性鉴别对于临床治疗非常重要.传统影像组学方法需要人工提取特征，效率低且适应性差，本文探讨一种能自动学习图像特征并分类肾脏占位CT方法.方法 首先利用经过大规模自然图像训练得到的ResNet50卷积神经网络模型提取肾脏占位CT图像的特征，再通过对全连接层的精细调整，并用样本数据进行迭代训练，实现肾脏占位性病变的良恶性分类.结果 实验结果表明该方法的分类效果很好.ResNet50模型的灵敏度和假阳性率较高，这说明该模型漏诊的概率低，仅需针对分类结果为阳性的患者进行穿刺手术，可以极大减轻医护人员的工作量和患者的痛苦.结论 我们认为精细调整后的ResNet50模型对肾脏占位CT图像的分类结果良好.
卷积神经网络 迁移学习 肾脏占位 CT图像 良恶性分类
周蕾蕾 陈宇辰 殷信道 蒋红兵
南京医科大学附属南京医院,210006 南京医科大学附属南京医院,210006;南京市卫生信息中心,南京210003
国内会议
南京
中文
29-34
2018-05-26（万方平台首次上网日期，不代表论文的发表时间）