基于嵌入式的先天性心脏病辅助诊断系统设计与实现

这是一篇关于先天性心脏病,辅助诊断系统,心音信号处理,嵌入式设计,硬件加速的论文, 主要内容为先天性心脏病是危害我国儿童、青少年的严重心血管疾病。目前,先天性心脏病的初诊、筛查是通过专业医生借助听诊器通过心脏听诊判断受试者心音是否异常,再对疑似患者行“超声心动图”检查进行确诊。这需要丰富的临床经验,基层乡镇卫生院的医生不易掌握。目前,先心病初诊主要依靠省级医疗队下乡筛查,这需耗费大量的人力、物力、财力,且效率低,漏诊、误诊时有发生。以上诸多因素,导致许多先心病患儿不能及时得到诊断并及时治疗。为此本研究旨在开发一套基于嵌入式的便携式先心病辅助诊断设备,该设备克服了其他先心病筛查设备对网络的依赖,便于在临床初诊和大规模筛查先心病中使用。系统由STM32、Raspberry Pi和SoC-FPGA等构成,Raspberry Pi通过以太网向SoC-FPGA发送指令和数据并实施控制。在Raspberry Pi中,实现了心音信号数据采集、去噪、分割和特征提取,最终生成二维心音特征图;在SoC-FPGA中移植了心音分类算法并实现了对该算法的加速。本文研究的主要内容分为4个部分:(1)设计基于STM32的无线心音心电采集电路,该心音心电采集电路由心音传感器The one、心电放大器AD8232、模数转换器AD7606、STM32最小系统和蓝牙模块构成,旨在通过无线心音心电采集电路采集良好的心音心电信号并通过蓝牙将信号发送给Raspberry Pi或其他移动端。(2)心音信号的预处理以及特征提取,在Raspberry Pi得到心音信号后,首先对原始的心音信号进行小波去噪、使用持续隐马尔可夫模型对心音进行分割提取单周期心音信号、再对单周期心音信号进行短时傅里叶变换得到心音时频域图,最后取时频域图的等值线作为心音分类的特征图。(3)心音分类算法的设计与算法加速方案,本研究选用卷积神经网络作为心音分类算法,并通过Open CL模型将该算法移植到FPGA中。首先计算出心音分类算法的计算复杂度和空间复杂度,并利用Roofline Model分析硬件平台的性能瓶颈。然后结合Roofline Model提出优化方案,在卷积计算中通过降低并行度,牺牲时间将硬件资源控制在可接受的范围内,卷积运算的过程中,当计算结果满足一次池化要求时,即可进行池化操作,无需等到卷积层计算完成后进行池化;全连接层中通过批量数据计算方法减少全局内存的访问次数,同时采用分段计算简化矩阵乘法运算过程。(4)Raspberry Pi与SoC-FPGA之间的通信,使用Raspberry Pi中的Putty工具登录到FPGA,并通过以太网向SoC-FPGA传输特征图,完成特征图的传送后FPGA利用移植在其中的算法对特征图进行前向推理后得到心音分类结果,并将结果发送给Raspberry Pi。本设计验证结果表明:无线心音心电采集电路能发送出信号质量较好的心音心电数据,同时Raspberry Pi可接收到较高质量的心音心电信号,Raspberry Pi能较好的完成心音信号的去噪、分割和特征提取任务。在相同的实验条件下,SoC-FPGA心音分类速度是PC(核心芯片为Intel core i5-5200 CPU)的22.74倍,且心音分类精度无明显下降。该系统实时性效果较好、便于携带,为偏远无网络地区的先心病辅助诊断提供了一种离线的解决方法。

面向CT影像的敏感肺结核病灶精确分割方法研究

这是一篇关于肺结核分割,语义分割,深度学习,辅助诊断系统,神经网络的论文, 主要内容为据世界卫生组织统计,肺结核仍然是人类健康最大的威胁之一。2020年世界范围内,新增肺结核患者超过800万,平均每10万人中有130人发病。在我国,肺结核是发病、死亡人数最多的重大传染病之一。肺结核患者和感染者数量庞大,通过呼吸道传播易造成疫情蔓延,对社会和公共卫生安全造成严重危害。近年来结核病发病呈上升趋势,结核病的诊疗水平及医疗智能化程度对传染病的诊疗与防控至关重要。在肺结核发病类型中,敏感肺结核占比高。本课题基于肺CT影像,通过图像处理结合图论以及深度学习的方法,实现了敏感肺结核病灶精准分割。主要研究工作如下:首先,针对孤立肺结核病灶,提出了一种肺实质分割和肺结核分割的两阶段分割方法。在肺实质分割阶段,通过使用数字图像处理组合算法对肺实质进行分割。其中的方法包含阈值分割、区域生长法分割和水平集分割。在肺结核分割阶段,采用阈值分割和U-net深度学习模型对肺结核病灶进行分割。经过多种方法处理实现对孤立肺结核病灶的分割并达到较高的精确度。其次,针对胸膜粘连型肺结核病灶边界不确定导致的分割精度低的问题,提出了一种改进凸包算法结合非均匀有理B样条的方法。首先修复肺实质轮廓,然后进行肺结核病灶分割。在肺实质修复过程中,利用凸包点距离阈值和边缘斜率变化频率描述边缘复杂度准确定位病灶;利用非均匀有理B样条曲线拟合出与肺轮廓高相似度的边缘,实现缺损肺实质轮廓修复。提高了胸膜粘连型肺结核病灶分割的精确度,肺实质分割平均IOU达到97.3%;在获取了精确肺实质轮廓的基础上,利用深度学习模型实现胸膜粘连型肺结核病灶精确分割,平均Dice系数达到90.17%。最后,针对敏感型肺结核病灶边界模糊、呈云絮状以及和血管交叠等问题。本课题提出了自适应特征融合的深度学习模型AFF-Net。为了提高特征提取感知力和加强局部细节监督,添加了多层次感受野模块、AFF模块、注意力门和边缘分段相似度损失函数。在下采样的前三层使用双通道常规卷积结合膨胀卷积的方案,且膨胀卷积率逐级递减;在最底层AFF模块,通过接受连续下采样和前一特征层以加强不同尺度的自适应学习;在上采样中,添加注意力门用于提高局部信息感知;在损失函数中,增加了边缘分段相似度损失函数,以此增加对边缘信息的监督和非目标区域的惩罚。根据实验结果显示,AFF-Net模型分割四种肺结核病灶的总和平均Dice系数、准确率和召回率分别是:89.45%、88.87%和89.83%,因此本文所提出的方法有效提高了肺结核病灶的精确性。最后通过PyQt封装分割算法,开发一套敏感肺结核辅助诊断系统软件。

基于语义分割网络的甲状腺结节辅助诊断系统研究

这是一篇关于深度学习,语义分割网络,甲状腺结节,图像分割,辅助诊断系统的论文, 主要内容为甲状腺结节是成年人群体中最常见的内分泌疾病之一,结节存在恶性风险,可能会发生癌变,及时进行诊断治疗能够减轻患者痛苦。超声成像由于其便捷、廉价、对患者无损伤等特性被广泛应用于甲状腺结节诊断。医生在人工阅片进行甲状腺结节诊断时需要耗费大量的精力,并且具有一定的主观性,可能产生漏诊、误诊的现象。而利用计算机辅助诊断系统可以较为客观、定量地描述结节,减轻医生压力并减少误诊。医疗图像分割作为计算机辅助诊断中的关键性步骤,它可以用于检测和生成病灶区域,是后续疾病诊断治疗的前提。在超声成像中的甲状腺结节具有复杂的背景,结节周围常常伴随其他组织器官,部分组织间存在一定的相似性,这给准确分割结节带来了困难。传统的甲状腺结节分割主要是采用基于主动轮廓和基于区域的方法,这些方法往往需要人为干预,难以实现完全自动化地进行分割,在实际应用中具有一定的局限性。随着深度学习技术的快速发展,越来越多的基于深度学习的图像处理方法开始应用于医疗影像分割领域,且在图像分割应用中具有良好的表现。本文着重研究了语义分割网络在自动分割甲状腺结节方面的应用,并实现了一款基于语义分割网络的甲状腺结节辅助诊断系统,为医生提供准确的甲状腺结节影像自动分割服务及相应的辅助诊断服务。本文所做的主要工作内容如下:1、提出了一种改进的甲状腺结节超声影像语义分割网络模型。本文针对临床甲状腺结节超声影像数据集,提出预处理方案,为后续实验做准备。分割模型选择医学图像分割领域广泛使用的语义分割网络U-net为基准模型,该模型是基于深度学习技术实现的。本文结合甲状腺结节分割任务特点,对U-net进行如下改进:其一,引入Resnet18网络作为本文模型的编码器,加强特征提取能力。相较于U-net,本文模型在跳跃连接处使用更多的高级语义信息聚合,利于识别结节区域;其二,本文模型在解码器部分引入通道注意力机制,用于自动筛选重要特征;此外,在本文模型解码器的最大分辨率处引入一个多尺度空间信息提取子网络,进行特征融合,并使用辅助损失函数监督,从而给模型提供更多的多尺度空间细节信息。将改进后的分割网络模型在本地医院数据集上进行验证,实验结果表明,与U-net、U-net++、FCN-TN、Seg U-net等网络模型相比,改进后的模型取得了更好的分割效果,其IOU指标相对于基准U-net模型提升了约5.5个百分点。2、完成基于语义分割网络的甲状腺结节辅助诊断系统的设计与开发。本系统采用B/S(Browser-Server)架构,使用Python编程语言、Py Torch框架、Web开发技术以及Py Charm开发工具完成系统设计目标。系统支持医生专家、普通患者以及管理员三种用户角色登录,不同的用户角色登录后将具有不同的功能模块。普通患者用户上传甲状腺结节超声影像,发起诊断服务申请。管理员用户负责审批诊断服务,待诊断申请通过后,系统即可调用语义分割网络模型自动提取甲状腺结节超声影像中的结节区域。医生专家结合模型返回的结果给出诊断意见后,系统自动生成诊断报告,并具备下载功能。此外,本文系统为医生专家提供在线数据标注功能,方便后续收集数据,增加训练样本,进一步提高模型泛化性。并且本文系统还提供患者用户历史诊断信息记录和用户基本信息的管理功能。最后,对基于语义分割网络的甲状腺结节辅助诊断系统进行了测试,完成整个系统的开发工作。

面向CT影像的敏感肺结核病灶精确分割方法研究

这是一篇关于肺结核分割,语义分割,深度学习,辅助诊断系统,神经网络的论文, 主要内容为据世界卫生组织统计,肺结核仍然是人类健康最大的威胁之一。2020年世界范围内,新增肺结核患者超过800万,平均每10万人中有130人发病。在我国,肺结核是发病、死亡人数最多的重大传染病之一。肺结核患者和感染者数量庞大,通过呼吸道传播易造成疫情蔓延,对社会和公共卫生安全造成严重危害。近年来结核病发病呈上升趋势,结核病的诊疗水平及医疗智能化程度对传染病的诊疗与防控至关重要。在肺结核发病类型中,敏感肺结核占比高。本课题基于肺CT影像,通过图像处理结合图论以及深度学习的方法,实现了敏感肺结核病灶精准分割。主要研究工作如下:首先,针对孤立肺结核病灶,提出了一种肺实质分割和肺结核分割的两阶段分割方法。在肺实质分割阶段,通过使用数字图像处理组合算法对肺实质进行分割。其中的方法包含阈值分割、区域生长法分割和水平集分割。在肺结核分割阶段,采用阈值分割和U-net深度学习模型对肺结核病灶进行分割。经过多种方法处理实现对孤立肺结核病灶的分割并达到较高的精确度。其次,针对胸膜粘连型肺结核病灶边界不确定导致的分割精度低的问题,提出了一种改进凸包算法结合非均匀有理B样条的方法。首先修复肺实质轮廓,然后进行肺结核病灶分割。在肺实质修复过程中,利用凸包点距离阈值和边缘斜率变化频率描述边缘复杂度准确定位病灶;利用非均匀有理B样条曲线拟合出与肺轮廓高相似度的边缘,实现缺损肺实质轮廓修复。提高了胸膜粘连型肺结核病灶分割的精确度,肺实质分割平均IOU达到97.3%;在获取了精确肺实质轮廓的基础上,利用深度学习模型实现胸膜粘连型肺结核病灶精确分割,平均Dice系数达到90.17%。最后,针对敏感型肺结核病灶边界模糊、呈云絮状以及和血管交叠等问题。本课题提出了自适应特征融合的深度学习模型AFF-Net。为了提高特征提取感知力和加强局部细节监督,添加了多层次感受野模块、AFF模块、注意力门和边缘分段相似度损失函数。在下采样的前三层使用双通道常规卷积结合膨胀卷积的方案,且膨胀卷积率逐级递减;在最底层AFF模块,通过接受连续下采样和前一特征层以加强不同尺度的自适应学习;在上采样中,添加注意力门用于提高局部信息感知;在损失函数中,增加了边缘分段相似度损失函数,以此增加对边缘信息的监督和非目标区域的惩罚。根据实验结果显示,AFF-Net模型分割四种肺结核病灶的总和平均Dice系数、准确率和召回率分别是:89.45%、88.87%和89.83%,因此本文所提出的方法有效提高了肺结核病灶的精确性。最后通过PyQt封装分割算法,开发一套敏感肺结核辅助诊断系统软件。

基于嵌入式的先天性心脏病辅助诊断系统设计与实现

这是一篇关于先天性心脏病,辅助诊断系统,心音信号处理,嵌入式设计,硬件加速的论文, 主要内容为先天性心脏病是危害我国儿童、青少年的严重心血管疾病。目前,先天性心脏病的初诊、筛查是通过专业医生借助听诊器通过心脏听诊判断受试者心音是否异常,再对疑似患者行“超声心动图”检查进行确诊。这需要丰富的临床经验,基层乡镇卫生院的医生不易掌握。目前,先心病初诊主要依靠省级医疗队下乡筛查,这需耗费大量的人力、物力、财力,且效率低,漏诊、误诊时有发生。以上诸多因素,导致许多先心病患儿不能及时得到诊断并及时治疗。为此本研究旨在开发一套基于嵌入式的便携式先心病辅助诊断设备,该设备克服了其他先心病筛查设备对网络的依赖,便于在临床初诊和大规模筛查先心病中使用。系统由STM32、Raspberry Pi和SoC-FPGA等构成,Raspberry Pi通过以太网向SoC-FPGA发送指令和数据并实施控制。在Raspberry Pi中,实现了心音信号数据采集、去噪、分割和特征提取,最终生成二维心音特征图;在SoC-FPGA中移植了心音分类算法并实现了对该算法的加速。本文研究的主要内容分为4个部分:(1)设计基于STM32的无线心音心电采集电路,该心音心电采集电路由心音传感器The one、心电放大器AD8232、模数转换器AD7606、STM32最小系统和蓝牙模块构成,旨在通过无线心音心电采集电路采集良好的心音心电信号并通过蓝牙将信号发送给Raspberry Pi或其他移动端。(2)心音信号的预处理以及特征提取,在Raspberry Pi得到心音信号后,首先对原始的心音信号进行小波去噪、使用持续隐马尔可夫模型对心音进行分割提取单周期心音信号、再对单周期心音信号进行短时傅里叶变换得到心音时频域图,最后取时频域图的等值线作为心音分类的特征图。(3)心音分类算法的设计与算法加速方案,本研究选用卷积神经网络作为心音分类算法,并通过Open CL模型将该算法移植到FPGA中。首先计算出心音分类算法的计算复杂度和空间复杂度,并利用Roofline Model分析硬件平台的性能瓶颈。然后结合Roofline Model提出优化方案,在卷积计算中通过降低并行度,牺牲时间将硬件资源控制在可接受的范围内,卷积运算的过程中,当计算结果满足一次池化要求时,即可进行池化操作,无需等到卷积层计算完成后进行池化;全连接层中通过批量数据计算方法减少全局内存的访问次数,同时采用分段计算简化矩阵乘法运算过程。(4)Raspberry Pi与SoC-FPGA之间的通信,使用Raspberry Pi中的Putty工具登录到FPGA,并通过以太网向SoC-FPGA传输特征图,完成特征图的传送后FPGA利用移植在其中的算法对特征图进行前向推理后得到心音分类结果,并将结果发送给Raspberry Pi。本设计验证结果表明:无线心音心电采集电路能发送出信号质量较好的心音心电数据,同时Raspberry Pi可接收到较高质量的心音心电信号,Raspberry Pi能较好的完成心音信号的去噪、分割和特征提取任务。在相同的实验条件下,SoC-FPGA心音分类速度是PC(核心芯片为Intel core i5-5200 CPU)的22.74倍,且心音分类精度无明显下降。该系统实时性效果较好、便于携带,为偏远无网络地区的先心病辅助诊断提供了一种离线的解决方法。

面向CT影像的敏感肺结核病灶精确分割方法研究

这是一篇关于肺结核分割,语义分割,深度学习,辅助诊断系统,神经网络的论文, 主要内容为据世界卫生组织统计,肺结核仍然是人类健康最大的威胁之一。2020年世界范围内,新增肺结核患者超过800万,平均每10万人中有130人发病。在我国,肺结核是发病、死亡人数最多的重大传染病之一。肺结核患者和感染者数量庞大,通过呼吸道传播易造成疫情蔓延,对社会和公共卫生安全造成严重危害。近年来结核病发病呈上升趋势,结核病的诊疗水平及医疗智能化程度对传染病的诊疗与防控至关重要。在肺结核发病类型中,敏感肺结核占比高。本课题基于肺CT影像,通过图像处理结合图论以及深度学习的方法,实现了敏感肺结核病灶精准分割。主要研究工作如下:首先,针对孤立肺结核病灶,提出了一种肺实质分割和肺结核分割的两阶段分割方法。在肺实质分割阶段,通过使用数字图像处理组合算法对肺实质进行分割。其中的方法包含阈值分割、区域生长法分割和水平集分割。在肺结核分割阶段,采用阈值分割和U-net深度学习模型对肺结核病灶进行分割。经过多种方法处理实现对孤立肺结核病灶的分割并达到较高的精确度。其次,针对胸膜粘连型肺结核病灶边界不确定导致的分割精度低的问题,提出了一种改进凸包算法结合非均匀有理B样条的方法。首先修复肺实质轮廓,然后进行肺结核病灶分割。在肺实质修复过程中,利用凸包点距离阈值和边缘斜率变化频率描述边缘复杂度准确定位病灶;利用非均匀有理B样条曲线拟合出与肺轮廓高相似度的边缘,实现缺损肺实质轮廓修复。提高了胸膜粘连型肺结核病灶分割的精确度,肺实质分割平均IOU达到97.3%;在获取了精确肺实质轮廓的基础上,利用深度学习模型实现胸膜粘连型肺结核病灶精确分割,平均Dice系数达到90.17%。最后,针对敏感型肺结核病灶边界模糊、呈云絮状以及和血管交叠等问题。本课题提出了自适应特征融合的深度学习模型AFF-Net。为了提高特征提取感知力和加强局部细节监督,添加了多层次感受野模块、AFF模块、注意力门和边缘分段相似度损失函数。在下采样的前三层使用双通道常规卷积结合膨胀卷积的方案,且膨胀卷积率逐级递减;在最底层AFF模块,通过接受连续下采样和前一特征层以加强不同尺度的自适应学习;在上采样中,添加注意力门用于提高局部信息感知;在损失函数中,增加了边缘分段相似度损失函数,以此增加对边缘信息的监督和非目标区域的惩罚。根据实验结果显示,AFF-Net模型分割四种肺结核病灶的总和平均Dice系数、准确率和召回率分别是:89.45%、88.87%和89.83%,因此本文所提出的方法有效提高了肺结核病灶的精确性。最后通过PyQt封装分割算法,开发一套敏感肺结核辅助诊断系统软件。

基于语义分割网络的甲状腺结节辅助诊断系统研究

这是一篇关于深度学习,语义分割网络,甲状腺结节,图像分割,辅助诊断系统的论文, 主要内容为甲状腺结节是成年人群体中最常见的内分泌疾病之一,结节存在恶性风险,可能会发生癌变,及时进行诊断治疗能够减轻患者痛苦。超声成像由于其便捷、廉价、对患者无损伤等特性被广泛应用于甲状腺结节诊断。医生在人工阅片进行甲状腺结节诊断时需要耗费大量的精力,并且具有一定的主观性,可能产生漏诊、误诊的现象。而利用计算机辅助诊断系统可以较为客观、定量地描述结节,减轻医生压力并减少误诊。医疗图像分割作为计算机辅助诊断中的关键性步骤,它可以用于检测和生成病灶区域,是后续疾病诊断治疗的前提。在超声成像中的甲状腺结节具有复杂的背景,结节周围常常伴随其他组织器官,部分组织间存在一定的相似性,这给准确分割结节带来了困难。传统的甲状腺结节分割主要是采用基于主动轮廓和基于区域的方法,这些方法往往需要人为干预,难以实现完全自动化地进行分割,在实际应用中具有一定的局限性。随着深度学习技术的快速发展,越来越多的基于深度学习的图像处理方法开始应用于医疗影像分割领域,且在图像分割应用中具有良好的表现。本文着重研究了语义分割网络在自动分割甲状腺结节方面的应用,并实现了一款基于语义分割网络的甲状腺结节辅助诊断系统,为医生提供准确的甲状腺结节影像自动分割服务及相应的辅助诊断服务。本文所做的主要工作内容如下:1、提出了一种改进的甲状腺结节超声影像语义分割网络模型。本文针对临床甲状腺结节超声影像数据集,提出预处理方案,为后续实验做准备。分割模型选择医学图像分割领域广泛使用的语义分割网络U-net为基准模型,该模型是基于深度学习技术实现的。本文结合甲状腺结节分割任务特点,对U-net进行如下改进:其一,引入Resnet18网络作为本文模型的编码器,加强特征提取能力。相较于U-net,本文模型在跳跃连接处使用更多的高级语义信息聚合,利于识别结节区域;其二,本文模型在解码器部分引入通道注意力机制,用于自动筛选重要特征;此外,在本文模型解码器的最大分辨率处引入一个多尺度空间信息提取子网络,进行特征融合,并使用辅助损失函数监督,从而给模型提供更多的多尺度空间细节信息。将改进后的分割网络模型在本地医院数据集上进行验证,实验结果表明,与U-net、U-net++、FCN-TN、Seg U-net等网络模型相比,改进后的模型取得了更好的分割效果,其IOU指标相对于基准U-net模型提升了约5.5个百分点。2、完成基于语义分割网络的甲状腺结节辅助诊断系统的设计与开发。本系统采用B/S(Browser-Server)架构,使用Python编程语言、Py Torch框架、Web开发技术以及Py Charm开发工具完成系统设计目标。系统支持医生专家、普通患者以及管理员三种用户角色登录,不同的用户角色登录后将具有不同的功能模块。普通患者用户上传甲状腺结节超声影像,发起诊断服务申请。管理员用户负责审批诊断服务,待诊断申请通过后,系统即可调用语义分割网络模型自动提取甲状腺结节超声影像中的结节区域。医生专家结合模型返回的结果给出诊断意见后,系统自动生成诊断报告,并具备下载功能。此外,本文系统为医生专家提供在线数据标注功能,方便后续收集数据,增加训练样本,进一步提高模型泛化性。并且本文系统还提供患者用户历史诊断信息记录和用户基本信息的管理功能。最后,对基于语义分割网络的甲状腺结节辅助诊断系统进行了测试,完成整个系统的开发工作。

基于改进MobileNetV3网络的甲状腺结节辅助诊断系统设计与实现

这是一篇关于深度学习,卷积神经网络,甲状腺结节,图像分类,辅助诊断系统的论文, 主要内容为甲状腺结节是甲状腺最常见的病变之一。大多数结节为良性,无需治疗。但如果结节出现炎症或形态异常,恶性风险将增加,因此需要及时就医治疗。超声检查是常用的甲状腺结节检查方法,其安全性高且无电离辐射。医师通过人工观察超声图像对甲状腺结节进行诊断,不仅耗时,而且存在一定的主观性。相比之下,利用计算机进行辅助诊断可以提供客观准确的结果,减少医生的工作量并降低误诊的概率。利用计算机技术对医学图像进行分类,可以实现自动化和精准的医学诊断。甲状腺结节超声图像所包含的信息非常复杂和多样化,周围不同的器官和组织相互连接和交织在一起,这使得准确区分甲状腺结节类别变得非常困难。传统的图像分类方法在处理一些简单的分类任务时具有良好的表现,但是面对包含较多干扰信息和图像细节特征复杂的分类任务时,传统的图像分类方法往往表现不佳。随着深度学习技术的不断发展,基于深度学习的图像处理方法被广泛应用于医学图像分类领域,并且取得了不错的效果。本文主要工作内容如下:1、本文提出了改进的MobileNetV3网络模型来区分超声图像中甲状腺结节的类别,改进包括以下两个方面:第一,使用卷积块注意力模块替换原始MobileNetV3网络中的通道注意力模块。卷积块注意力模块由通道注意力模块和空间注意力模块按照一定规则组合而成。通道注意力机制可以提高不同特征的重要性,增强网络对图像重要特征的感知能力,而空间注意力机制可以提高不同区域的重要性,增强网络对图像重要位置区域的感知能力。第二,引入多尺度特征信息提取融合模块。首先,通过多条不同分支路径使用不同大小的卷积核来提取输入图像中不同尺度的特征信息。然后,将不同尺度的特征信息进行融合,提高模型的分类精度。实验结果表明,与Res Net34、Res Net50、Res Net101、Res Next50、Res Next101、VGG16和Efficient Net B0这几种分类网络模型相比,本文改进后的MobileNetV3网络模型对甲状腺结节具有更好的分类效果,并且其AUC指标相较于原始的MobileNetV3网络模型提高了5.56个百分点。2、设计实现了一个基于改进MobileNetV3网络的甲状腺结节辅助诊断系统。该系统旨在快速准确的区分甲状腺结节的良恶性,提高结节诊断效率。通过可行性分析、功能和非功能需求分析,明确了本系统的设计目标和各功能模块的细节。本系统支持三种不同类型用户:普通患者用户、医师用户和管理员用户,不同类型用户具有不同的系统功能模块。普通患者用户登录系统后,可以上传需要诊断的甲状腺结节超声图像,然后在线提交诊断申请。管理员用户对诊断申请进行审核。审核通过后,系统调用改进的MobileNetV3网络模型对超声图像中的甲状腺结节进行良恶性类别预测。医师用户根据系统预测结果给出具体的诊断意见,系统会自动生成相应的PDF格式的诊断报告。同时,本系统还提供了图像标注功能,医师用户可以对新获取的甲状腺结节超声图像进行类别标注,以扩充实验数据集,用于后续模型的改进和优化。最后,对本系统各功能模块进行规范化测试。测试结果表明,本系统各功能模块均能正常运行工作,符合预期设计要求,可以对甲状腺结节进行辅助诊断,提高甲状腺结节诊断效率。