用U-Net和深度卷积神经网络对CT扫描卵巢瘤进行细分和分类的性能分析
Ashwini Kodipalli1, Steven L Fernandes2, Vaishnavi Gururaj3
1Department of Artificial Intelligence & Data Science, Global Academy of Technology, Bangalore 560098, India.
Diagnostics (Basel, Switzerland)
|July 14, 2023
概括
早期发现卵巢癌对于生存至关重要. 这项研究将深度学习模型应用于CT扫描,DenseNet 121在分类瘤方面获得了95.7%的准确性,改善了诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 早期发现卵巢癌仍然是一个重大挑战,尽管治疗进展,但导致高死亡率.
- 目前用于卵巢瘤的诊断方法在检测早期恶性瘤的能力上可能受到限制.
研究的目的:
- 用CT扫描图像评估深度学习算法的有效性,用于早期卵巢瘤检测和分类.
- 为了比较各种卷积神经网络 (CNN) 架构和传统机器学习模型在区分良性和恶性卵巢瘤方面的性能.
主要方法:
- 卵巢区域的CT扫描图像被预处理,并使用UNet模型对瘤进行细分.
- 我们使用深度学习模型 (CNN,ResNet,DenseNet,Inception-ResNet,VGG16,Xception) 和机器学习模型 (随机森林,梯度提升,AdaBoosting,XGBoosting) 来进行分类.
- 优化技术应用于机器学习模型以提高性能.
主要成果:
- 丹森网121表现出卓越的性能,在分类卵巢瘤方面达到95.7%的准确性.
- 该研究提供了对多个CNN架构与常见的机器学习算法进行比较分析,包括优化和不优化.
结论:
- 深度学习模型,特别是DenseNet 121,显示出作为CT图像早期检测卵巢癌的有效诊断工具的巨大潜力.
- 这些发现强调了使用先进的人工智能技术的优势,以提高对良性和恶性卵巢瘤的分类准确度.
