使用CNN转移学习以有效检测前列腺癌和BPH在跨直肠超声图像中的超声图像
Te-Li Huang1, Nan-Han Lu2,3,4, Yung-Hui Huang5
1Department of Radiology, Kaohsiung Veterans General Hospital, No. 386, Dazhong 1st Rd., Zuoying Dist., Kaohsiung, 81362, Taiwan.
Scientific reports
|December 9, 2023
概括
这项研究表明,使用转移学习的深度学习模型可以从超声波图像中准确地分类前列腺癌 (PCa) 和良性前列腺增生 (BPH),帮助早期诊断.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 泌尿器科诊断 泌尿器科诊断
背景情况:
- 早期检测前列腺癌 (PCa) 和良性前列腺增生 (BPH) 对于老龄化男性人口至关重要.
- 从跨直肠超声波 (TRUS) 图像中准确地分类PCa和BPH是具有挑战性的.
研究的目的:
- 用卷积神经网络 (CNN) 评估转移学习的性能,以在TRUS图像中分类PCa和BPH.
- 评估深度学习方法在区分PCa和BPH的有效性.
主要方法:
- 一个回顾性研究使用1380个PCa和1530个BPH TRUS图像.
- 应用转移学习到受欢迎的CNN架构,使用七种最先进的深度学习方法.
- 使用灵敏度,特异性,准确性,PPV,NPV,卡帕和Hindex进行评估的性能.
主要成果:
- 具有转移学习的CNN实现了高分类表现,所有指数都超过0.9400.
- 最佳的精度,灵敏度和特异性分别达到0.9987,0.9980和0.9980.
- 使用转移学习的EfficientNetV2在区分PCa和BPH方面表现出很高的有效性.
结论:
- 具有转移学习的CNN对于TRUS图像中的PCa和BPH分类是高效和有效的.
- 这些方法显示出作为未来泌尿病学诊断应用的工具的前景.
- 高诊断性能表明,通过早期检测,可以改善患者的治疗结果.
