1 对于甲状腺结节的检测问题虽然已有的研究已经取得了令人鼓舞的结果，但它们大多是基于手工从图像中提取特征并进行一系列预处理。此外，有效特征的提取是一项具有挑战性的任务，需要借助分类器进行特征选择和特征集成。文章提出级联卷积神经网络(CNNs)从二维超声图像中检测甲状腺结节。 2 本文提出的级联CNNs的框架结构 第一步 ROI由于医生粗略标定 第二步 其次，一个CNN(15个卷积层和2 pooling layers)训练对甲状腺结节进行分割，并生成 相应的分割概率图 第三步 采用连续二值化算子、侵蚀算子和膨胀算子组成的分割方法，将分割概率图分割成不 同的连通区域 第四步 另一个CNN (基于分割分割概率图重新标定的超声图像斑块，采用4卷积层和4池化层) 检测甲状腺结节 3 级联CNN的结构 4 级联CNN的训练过程 1 随机初始化参数训练CNN15 从这些甲状腺结节中随机取样裁剪出大小为353×353的图像斑块和正常的甲状腺图像作为CNN15的输入。它们用像素值在区间[0.1,0.9]内的概率映射进行标记，该区间由图像斑块与其对应的二值掩模之间的关系确定。甲状腺结节和正常甲状腺的分割概率图是CNN的输出 。 2 利用连续二值化算子、侵蚀算子和膨胀算子组成的分割方法，将CNN15生成的分割概率图的连通区域分割为若干孤立连通区域。 3 利用从甲状腺结节和正常甲状腺图像中提取的斑块数据，随机初始化参数训练CNN4。 正确分割的甲状腺结节区域作为阳性样本，其他区域作为阴性样本。 另外 运用了SGD ；为了减少过拟合，将核权值的绝对值最小化，并将参数向量的L2正则化应用于各层的代价函数；为了防止过拟合，还运用了一种 split Dropout (sDropout）
5 性能测定 AUC表示在整个截止点范围内分类器的性能，AUC的取值范围在0 ~ 1之间。 FROC曲线 与ROC相比，横轴 1-Specificity改为False positives number，即FP数。经典的ROC方法不能解决对一幅图像上多个异常进行评价的实际问题，70年代提出了无限制ROC的概念**(free-response ROC;FROC)**。FROC允许对每幅图像上的任意异常进行评价。 AFROC分析应用于FROC曲线，它提供了每条曲线的优点图(FOM)以及比较两条曲线差异的显著性。 为了评估性能差异的统计学意义，两种方法的AUC值和FOM值分别采用非参数 Mann Whitney U检验。
6 实验结果 在测试过程中，我们还采用了多视图策略来提高性能。其中，从每幅甲状腺超声图像中随机抽取128个视图，分别抽取353×353个裁剪视图作为CNN15的输入，输出为分割概率图;从每个甲状腺图像中随机抽取64×64裁剪的256个视图作为CNN4的输入，输出为256个视图的平均预测标签。
本研究中使用的不同模型AUC的95%置信区间(CI)，5倍交叉验证结果比较： 为了便于比较，我们还实现了另外四种常用的分类方法，即SVM、KNN、径向基函数神经网络(RBFNN)和随机森林(RF)方法。
上图为 不同特征组合支持向量机SVM的检测性能。精度格式:平均值(标准差)。
上图为不同方法模型的AUC 的比较
上图为不同模型的JAFROC FOM比较
7 讨论 传统方法使用人工经验设计的手工特征，相比而言，CNNs的关键优势在于能够自动学习权值和偏差，生成数据驱动的、定制的、特定任务的密集特征提取器，从而最大程度地利用输入图像的二维结构。 为了评估该方法的泛化性，实验研究了21,523幅来自不同声像仪系统的图像。10倍交叉验证被用来说明基于级联神经网络的方法的有效性。 使用FROC分析方法在区域层面对聚类检测结果进行分析。 为了验证不同架构对甲状腺结节检测的影响，我们将我们的方法与VggNet、ZeilerNet、PreZeilerNet、ResNet和CNN15v进行了对比。表V中的结果表明，我们的方法在检测甲状腺结节方面优于其他CNN架构。此外，为了评估我们提出的方法优于传统的方案，分别实现了支持向量机，KNN, RBFNN和RF手工制作特征进行比较。表明我们开发的基于级联CNNs的方法在甲状腺结节的检测任务中是有效的。
