从自动细分超声图像中对甲状腺结节进行多类分类:基于混合ResNet的UNet卷积神经网络方法
Neslihan Gökmen Inan1, Ozan Kocadağlı2, Düzgün Yıldırım3
1College of Engineering, Computer Engineering Department, Koç University, Türkiye.
Computer methods and programs in biomedicine
|November 11, 2023
概括
这项研究引入了一种用于甲状腺结节分析的AI系统,改进了未确定重要性/未确定重要性囊病变 (AUS/FLUS) 结节的非典型的自动细分和分类. 人工智能显示出高准确度,帮助放射科医生和外科医生进行早期诊断.
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:
- 早期发现甲状腺结节对于有效治疗至关重要.
- 由于诊断限制和成本,将AUS/FLUS,良性卵泡和乳头卵泡等结节类型进行分类是具有挑战性的.
- 基于人工智能的决策支持系统提供了一个减少工作量和误诊的解决方案.
研究的目的:
- 开发一种基于人工智能的新型决策支持系统,用于甲状腺结节的自动细分和分类.
- 提高诊断甲状腺结节类型的准确性和效率,特别是AUS/FLUS.
主要方法:
- 采用混合深度学习方法用于自动细分和分类.
- 使用U-Net架构 (ResUNet,ResUNet++) 进行节点细分,并结合掉落以防止过拟合.
- 深度学习模型 (VGG-16,DenseNet121,ResNet-50,Inception ResNet-v2) 用于分类,使用诸如子系数和准确性等指标进行评估.
主要成果:
- 人工智能系统通过ResUNet++实现了优异的细分 (Dice系数为92.4%,平均IOU为89.7%).
- 在ResNet-50和Inception ResNet-v2中,分类准确度高 (分别为96.6%和95.0%).
- 对AUS/FLUS结节的分类显示出高性能,AUC值为97.0% (ResNet-50) 和96.0% (Inception ResNet-v2).这些结节的分类显示出高性能.
结论:
- 人工智能系统显著改善了甲状腺结节的自动细分和分类,包括AUS/FLUS.
- 开发的系统在准确性和细分指标方面表现优于现有方法.
- 这种人工智能工具对放射科医生和外科医生进行临床应用具有巨大的潜力.
