第４２卷第１期２０２３年２月北京生物医学工程ＢｅｉｊｉｎｇＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＶｏｌ.４２Ｎｏ.１Ｆｅｂｒｕａｒｙ２０２３作者单位：１上海理工大学健康科学与工程学院（上海２０００９３）２上海微创医疗器械（集团）有限公司（上海２０１２０３）通信作者：常兆华，教授。Ｅ⁃ｍａｉｌ：ｍ８０９０３１３＠１２６.ｃｏｍ超声图像融合专家知识的ＥｆｆｉｃｉｅｎｔＮｅｔ卵巢包块良恶性诊断方法赵君逸１叶萍１石思远２杨洋２徐明杰２常兆华１，２摘要目的提出一种基于深度网络特征融合的分类方法，以提高良恶性分类的准确率，辅助医生提高术前诊断卵巢包块良恶性的准确率。方法纳入深圳市人民医院９４３幅经活检、手术病理等证实的患者术前卵巢超声图像，按照６∶２∶２的比例随机设置训练集、验证集和测试集。首先，提取医生勾画的感兴趣区域（ｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔ，ＲＯＩ）即包块图，用微调后的ＥｆｆｉｃｉｅｎｔＮｅｔ网络提取其深度特征；然后用基于Ｃｈａｎ⁃Ｖｅｓｅ模型的水平集方法得到包块边缘轮廓图，再用微调后的ＥｆｆｉｃｉｅｎｔＮｅｔ网络提取其深度特征；接下来将包块图的深度特征和边缘轮廓图的深度特征分别归一化后并拼接为融合特征；最后，将融合特征输入到全连接层分类器中，将超声图像分为良恶性。结果本文提出的超声图融合专家知识的ＥｆｆｉｃｉｅｎｔＮｅｔ卵巢包块良恶性诊断方法在测试集上的准确度、特异度、敏感度和曲线下面积分别为０.８１、０.７８、０.８８、０.９１，全部优于当前主流的深度学习方法。结论该特征融合网络能够取得较好的分类效果，一定程度上能够为临床诊断卵巢包块的良恶性提供参考。关键词ＥｆｆｉｃｉｅｎｔＮｅｔ；卵巢包块；特征融合；计算机辅助诊断；良恶性分类ＤＯＩ：１０.３９６９／ｊ．ｉｓｓｎ．１００２－３２０８.２０２３.０１.００５．中图分类号Ｒ３１８.０４文献标志码Ａ文章编号１００２－３２０８（２０２３）０１－００２７－０６本文著录格式赵君逸，叶萍，石思远，等．超声图像融合专家知识的ＥｆｆｉｃｉｅｎｔＮｅｔ卵巢包块良恶性诊断方法［Ｊ］．北京生物医学工程，２０２３，４２（１）：２７－３２，８０．ＺＨＡＯＪｕｎｙｉ，ＹＥＰｉｎｇ，ＳＨＩＳｉｙｕａｎ，ｅｔａｌ．ＥｆｆｉｃｉｅｎｔＮｅｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｏｆｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｏｖａｒｉａｎｍａｓｓｅｓｂａｓｅｄｏｎ...
