Resumen

La enfermedad tiroidea se ha convertido en la segunda enfermedad más importante en el campo endocrino; las imágenes SPECT son particularmente importantes para el diagnóstico clínico de las enfermedades tiroideas. Sin embargo, hay poca investigación sobre la aplicación de las imágenes SPECT en el diagnóstico asistido por ordenador de las enfermedades tiroideas basado en métodos de aprendizaje automático. Se desarrolla una red neuronal convolucional con optimización basada en el diagnóstico asistido por ordenador de enfermedades tiroideas utilizando imágenes SPECT. Se consideran tres categorías de enfermedades, que son la enfermedad de Graves, la enfermedad de Hashimoto y la tiroiditis subaguda. Se emplea una arquitectura DenseNet modificada de red neuronal convolucional y se mejora el método de entrenamiento. La arquitectura se modifica añadiendo los parámetros de peso entrenables a cada conexión de salto en DenseNet. Y el método de entrenamiento se mejora optimizando la tasa de aprendizaje con el algoritmo de polinización de flores para el entrenamiento de la red. Los resultados experimentales demuestran que el método propuesto de red neuronal convolucional es eficiente para el diagnóstico de enfermedades tiroideas con imágenes SPECT, y tiene un rendimiento superior a otros métodos de CNN.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:diagnóstico de tiroides, enfermedad tiroidea, red neuronal convolucional, imagen spect, métodos de entrenamiento, diagnóstico asistido, arquitectura densenet modificada, categorías de enfermedad, parámetros de peso entrenables, aplicación de spect
• Keywords:diagnosis of thyroid, thyroid disease, convolutional neural network, spect image, training methods, aided diagnosis, modified densenet architecture, categories of disease, trainable weight parameters, application of spect