一个基于波形变换的新型卷积分类网络,用于超声波图像中的乳头甲状腺癌的宫淋巴结转移
Xuehai Ding1, Yanting Liu1, Junjuan Zhao1
1School of Computer Engineering and Science, Shanghai University, Shangda Rd, Shanghai, 200444, China.
概括
这项研究引入了一种新的深度学习框架,用于在乳头甲状腺癌的超声波图像中诊断宫淋巴结转移. 该模型提高了诊断准确性和局部化,改善了患者的治疗选择.
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:
- 准确的术前评估宫淋巴结转移 (CLNM) 对于乳头甲状腺癌治疗至关重要.
- 超声波是评估淋巴结转移的主要非侵入性成像方式.
研究的目的:
- 开发和验证一个多任务深度学习框架,以改善使用超声波图像进行CLNM诊断.
- 为了提高转移性淋巴结的局部化和分类.
主要方法:
- 一个多任务网络框架,集成了一个本地化模块和一个新的基于波形变换的卷积网络进行分类.
- 分析空间和频率领域的超声波图像,使用波波变换来丰富特征信息.
- 基于综合数据集的验证,包括医院特定和公共超声波数据集 (SCUI2020,DDTI,BUSI).
主要成果:
- 与最佳的两阶段模型和最先进的分类网络相比,拟的模型显示了更好的准确性和AUC.
- 定位模块提供了关键信息,以专注于相关的淋巴结区域和结构特征.
- 波形变换集成增强了特征表示,而不增加模型参数.
结论:
- 开发的多任务网络框架为通过超声波在乳头甲状腺癌中诊断CLNM提供了卓越的方法.
- 这种人工智能驱动的方法有可能改进手术前诊断,并指导最佳的患者治疗策略.
