JoVE - Journal of Visualized Experiments
JoVE Visualize
Contact Us
このページは機械翻訳されています。他のページは英語で表示される場合があります。 View in English

乳房超音波画像における良性および悪性病変の差別化のための従来の特徴,CNNベースの特徴およびアンサンブルスキームの実験的評価

  • 0Department of Engineering, Università degli Studi di Perugia, Perugia, Italy.
Ultrasonic Imaging +

|

2025年8月28日

|

2025年8月28日

PubMedで要約を見る

まとめ

この要約は機械生成です。

乳房の超音波画像を コンピューターで分析することで 良性病変と悪性病変を 区別できます ディープラーニング機能を組み合わせたモデルでは 診断の精度が大幅に向上し 臨床的決定に役立ちます

科学分野

  • 医療用イメージング
  • 人工知能
  • 腫瘍学

背景

  • 乳房の超音波検査は 損傷の評価に不可欠です 特に乳房の密度の高い組織では
  • コンピューターによる分析は 医者の意思決定と解釈の精度を高めることができます
  • 乳腺の良性病変と悪性病変を区別するには 強力な分析方法が必要です

研究 の 目的

  • 乳腺の病変を超音波で分類するための従来の深層学習とアンサンブル特性を評価する.
  • 様々な個々の機能セットと融合スキームのパフォーマンスを比較する.
  • 診断の精度を向上させるための組み合わせ方法の有効性を決定する.

主な方法

  • 19 個の特徴セットの分析 (形状,第一順位,質感,CNNベースの).
  • 特徴の連結,多数決,和,製品ルールを用いたアンサンブルモデルの開発.
  • 3つの独立したオープンアクセス乳房超音波データセットで実施された実験.

主要な成果

  • CNNベースの特徴は,個々の記述子の中で最も高い精度 (77.4% - 83.6%) を達成しました.
  • アセンブルモデルはさらに精度を80.2%から87.5%まで高めました.
  • 製品と総和法による融合システムは,一般的に他の方法よりも優れている.

結論

  • アンサンブル・スキームによる特徴の組み合わせは,乳房の病変の分類に重大な利点をもたらします.
  • 乳房の超音波の解釈を改善するために ディープラーニングとアンサンブルアプローチが有望です
  • これらの方法は,臨床医が良性および悪性乳房の病変を区別するのに役立ちます.

キーワード: