一个深度学习框架,用于从超声波图像中描述甲状腺结节,使用改进的初始网络和多层次转移学习
O A Ajilisa1, V P Jagathy Raj2, M K Sabu1
1Department of Computer Applications, Cochin University of Science and Technology, South Kalamassery, Kochi 682022, Kerala, India.
Diagnostics (Basel, Switzerland)
|July 29, 2023
概括
这项研究引入了一个深度学习框架,使用改进的启动块和多层次的转移学习来通过超声波图像诊断甲状腺结节. 该模型实现了高精度,帮助放射科医生,并可能减少不必要的程序.
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:
- 深度学习模型需要大量的数据来准确诊断甲状腺结节.
- 获得足够的医疗图像来训练深度学习模型仍然是一个重大挑战.
研究的目的:
- 开发一种深度学习框架,使用超声波图像来区分良性和恶性甲状腺结节.
- 为了提高诊断准确度和协助放射科医生在临床决策,可能减少不必要的精细针的愿望.
主要方法:
- 开发了一个深度学习框架,将挤压和激发网络与初始模块集成在一起,以提高识别精度.
- 实施了多层次的转移学习,使用乳房超声波图像作为桥梁数据集来解决领域差异.
- 利用改进的初始阻断和多层次的转移学习来进行甲状腺结节的表征.
主要成果:
- 获得了高精度 (0.9057良性,0.9667恶性),召回 (0.9796良性,0.8529恶性) 和F1得分 (0.9412良性,0.9062恶性).
- 获得了0.9537的AUC值,超过了单级转移学习.
- 证明了与经验丰富的放射科医生可比的分类准确性.
结论:
- 拟议的深度学习框架有效地以高精度区分甲状腺结节.
- 该模型显示了临床应用的潜力,为放射科医生节省了时间和精力.
- 这种方法可以帮助避免对良性甲状腺结节进行不必要的精细针.
