在超声波图像中实现甲状腺结节的自动检测和细分的多任务方法
Ashwath Radhachandran1, Adam Kinzel2, Joseph Chen2
1Computational Diagnostics Lab, University of California, Los Angeles, Los Angeles, CA, USA; Department of Bioengineering, University of California, Los Angeles, Los Angeles, CA, USA.
Computers in biology and medicine
|January 20, 2024
概括
一种新的自动化深度学习方法可以在超声波图像中提高甲状腺结节的检测和细分. 这种方法提高了准确性,并有助于风险分层,可能减少侵入性手术.
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:
- 甲状腺结节和癌症的发病率越来越高,需要改进诊断工具.
- 目前的超声波解释是主观的,导致变化.
- 自动结节检测和细分可以提高风险分层并降低成本.
研究的目的:
- 开发一种自动化的多任务深度学习方法,用于在超声波图像中检测和细分甲状腺结节.
- 提高甲状腺结节评估的准确性和效率.
- 创建一个临床可翻译的模型,反映诊断工作流程.
主要方法:
- 从280名患者获得了98888张超声波图像,被放射科医生注释.
- 开发了一种多任务深度学习模型,将异常检测 (AD) 模块与UNet架构集成在一起.
- 对内部和两个外部验证数据集的评估模型进行了概括.
主要成果:
- 使用ImageNet预训练编码器和AD的UNet获得了0.839.9的F1得分.
- 实现了一个全图像的Dice相似系数为0.808.8.
- 在外部数据集中证明了稳定性和通用性.
结论:
- 拟议的自动化多任务方法在超声波图像中成功检测和细分甲状腺结节.
- 这种方法为当前的诊断方法提供了更客观,更有效的替代方案.
- 该模型有可能通过提前和更准确的风险分层来改善患者的治疗结果.
