基于改进ResNet-50模型的儿童甲状腺疾病分类研究
摘要：儿童甲状腺疾病是内分泌系统中常见的疾病，其早期精准诊断具有重要意义。本研究旨在优化ResNet-50模型在甲状腺超声图像特征提取过程中的局限性。通过利用动态返回池化层的机制，结合自适应选择最大池化或平均池化方式来优化多尺度病理特征的抽取能力，开发了DRTPL-ResNet-50新型网络框架。测试集数据表明，改进模型在甲状腺结节分类任务中准确率（ACC） 、精确率（PRE） 和召回率（REC） 分别达到95.8%、90.6%、96.9%，相较于基准ResNet-50模型提升了3.3～5.3个百分点。（剩余6963字）
