甲状腺结节的自动超声波诊断:深度学习和KWAK TI-RADS的结合

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 通过超声波 (USE) 对甲状腺结节的计算机辅助诊断 (CAD) 是常见的,但对精细针吸收 (FNA) 决策的自动风险分类较少被探索.
• 准确的甲状腺结节风险分层对于确定像FNA这样的侵入性手术的必要性至关重要.

研究的目的:

• 开发和实施一个自动化系统来评估甲状腺结节的风险水平.
• 为了使甲状腺结节能够自动分类为良性或恶性,并确定关键的恶性特征.

主要方法:

• 编制了1862个甲状腺结节的数据集,其中包括USE和FNA结果.
• 在超声波图像中使用改进的U-Net++模型进行甲状腺结节的自动细分.
• 基于KWAK TI-RADS指南的多任务卷积神经网络 (MT-CNN) 用于风险分类和恶性特征 (SC,HMH,MIM,MC) 的识别.

主要成果:

• U-Net++模型在节点细分方面实现了高性能,具有Dice系数 (0.899) 和IoU (0.816).
• 在MT-CNN中,恶性特征的分类准确度很高:SC (94.5%),HMH (92.8%),MIM (86.1%),MC (88.9%).
• 整体良性/恶性分类实现了高精度 (93.7%) 和回忆 (94.4%).

结论:

• 拟议的计算机辅助诊断 (CAD) 方法在甲状腺结节诊断方面显示出有希望的表现.
• 这种自动化方法提供了与临床实践一致的报告,有可能提高细针吸收 (FNA) 的诊断效率和决策.