密集连接的卷积网络用于基于超声波图像的损伤细分
Jinlian Ma1, Dexing Kong2, Fa Wu2
1School of Integrated Circuits, Shandong University, Jinan 250101, China; Shenzhen Research Institute of Shandong University, A301 Virtual University Park in South District of Shenzhen, China; State Key Lab of CAD&CG, College of Computer Science and Technology, Zhejiang University, Hangzhou 310027, China.
Computers in biology and medicine
|November 25, 2023
概括
这项研究介绍了MDenseNet,这是一种深度学习模型,用于在超声波图像中准确地细分甲状腺和乳腺结节. 该方法提高了临床实践中的诊断准确性和可重复性.
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:
- 准确地界定甲状腺和乳腺病变对于癌症诊断,治疗计划和结果评估至关重要.
- 在低质量的超声波 (US) 图像中手动注释病变是具有挑战性的,因为噪音,可变的外观和模两可的界限,导致耗时和易出错的过程.
- 在美国图像中对结节病变的自动细分非常理想,但在技术上很困难.
研究的目的:
- 开发和评估一种新的密度连接卷积网络 (MDenseNet),用于在2D超声图像中自动细分结节性病变.
- 通过预训练策略 (PMDenseNet和PDMDenseNet) 增强MDenseNet架构,以提高对甲状腺和乳腺结节的细分性能.
- 将拟议的基于MDenseNet的方法与现有的最先进的卷积神经网络进行比较.
主要方法:
- 一个新的密集连接的卷积网络 (MDenseNet) 被提出用于结节性病变细分.
- 该网络在ImageNet数据库 (PMDenseNet) 上进行了预训练,随后在超声数据集上进行了微调.
- 一个更深层次的版本,PDMDenseNet,通过结合额外的密集块来增强甲状腺和乳腺结节的细分来设计.
主要成果:
- 基于MDenseNet的方法在甲状腺和乳腺超声波图像中证明了多个结节性病变的准确细分,包括具有复杂形状的病变.
- 拟议的方法在细分精度和可重复性方面表现优于三个最先进的卷积神经网络.
- 该研究在超声波图像中对结节性病变进行细分方面取得了有希望的结果,这表明它具有广泛的适用性.
结论:
- 开发的MDenseNet架构与预训练策略提供了一个准确和可重复的解决方案,用于超声波成像中的自动结节性病变细分.
- 该方法在诊断甲状腺癌和乳腺癌方面具有显著的临床应用潜力,并且可以扩展到其他医疗细分任务.
- 这种深度学习方法解决了手动注释的局限性,为更高效,更可靠的诊断工作流程铺平了道路.
