密集的猪变压器用于分类甲状腺结节

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:

• 甲状腺结节很常见,可能是甲状腺癌的早期症状.
• 超声波是诊断甲状腺结节的主要非侵入性方法.
• 通过超声波区分良性和恶性结节是具有挑战性的,因为微妙的视觉差异和低组织对比度.

研究的目的:

• 提出一种新的深度学习方法,密集节点Swin-Transformer (DST),用于改善甲状腺节结的诊断.
• 用超声波成像来提高区分良性和恶性甲状腺结节的准确性和可靠性.

主要方法:

• 在Swin-Transformer架构中使用基于补丁的方法进行图像细分.
• 构建四个阶段的多尺度特征地图,以捕获各种特征信息.
• 在每个阶段块内实施密集连接机制,以利用多层特征.

主要成果:

• 在来自17家医院的多中心超声波数据上,DST方法实现了87.27%的准确性.
• 在区分甲状腺结节类型时,灵敏度达到88.63%,特异性为85.16%.
• 该算法显示出有助于临床诊断的巨大潜力.

结论:

• 拟议的密集节点Swin-Transformer (DST) 方法在人工智能辅助的甲状腺结节诊断方面提供了有前途的进展.
• 在具有挑战性的超声波病例中,DST方法有效地利用多层特征来提高诊断性能.
• 这种方法有潜力支持临床医生在关于甲状腺结节方面做出更准确和及时的决定.